RT-GalaDet som en realtidsmodell för screening av yttre hälsostörningar hos fisk

Varför odlarna bryr sig om att upptäcka sjuka fisk snabbt

Fiskodlingar står numera för en stor del av världens skaldjursproduktion, men sjukdom kan sprida sig genom trånga tankar eller burar på några dagar, döda djur och utplåna vinster. Odlare förlitar sig vanligen på att fånga fisk för hand och inspektera dem en och en, en stressande och långsam process som kan missa tidiga tecken på problem. Denna studie introducerar RT‑GalaDet, ett datorseendesystem som övervakar fisk via kameror och i realtid markerar små ytliga problem — som fläckar, sår och fenförstöring — utan att fisken behöver tas upp ur vattnet.

Observera fisk utan att röra dem

Forskarna ville bygga ett verktyg som kontinuerligt kan övervaka den synliga hälsan hos odlade fiskar, ungefär som en automatisk övervakningskamera mot sjukdomar. Istället för nät och manuella kontroller fångar kameror undervattensbilder medan fiskarna beter sig naturligt. En specialiserad artificiell intelligensmodell skannar sedan varje bild och ritar rutor kring enskilda fiskar, identifierar både art och uppenbar hälsostatus. Denna icke-invasiva metod syftar till att ge odlarna snabba varningar när något ser fel ut på en fisks hud, fenor eller ögon, så att de kan ingripa innan ett lokalt problem utvecklas till ett utbrott över hela anläggningen.

Att lära systemet vad som är ”friskt” och ”sjukt”

För att träna RT‑GalaDet använde teamet en offentlig samling på mer än 5 600 bilder av fyra vanliga odlingsarter: randig näbbfisk, svart seabream, koreansk bergabborre och röd seabream. Varje fisk i varje bild konturerades och märktes inte bara efter art utan också med ett av fem yt-tillstånd: frisk, blödning, ulceration, ögonskada eller fenskada. Det skapade 20 precisa kategorier, till exempel “svart seabream – ulceration” eller “röd seabream – fenskada.” Eftersom verkliga odlingar producerar betydligt fler friska fiskar än sjuka balanserade forskarna datasetet noggrant och använde kopiering och inklistring av sjuka fiskar i nya scener, tillsammans med lätt kontrast- och skärpejustering, så att modellen kunde lära sig känna igen sällsynta men viktiga symptom även när de är små eller delvis dolda.

Hur den nya modellen ser små detaljer snabbt

RT‑GalaDet bygger på en nyare familj av snabba detektorer, men omdesignar den inre strukturen för att bättre hantera utmaningarna i undervattensbilder. Grumligt vatten, ojämnt ljus och röriga bakgrunder kan lätt dölja de små fläckar och kantförändringar som kännetecknar tidig sjukdom. Författarna kombinerar två typer av ”seende” i modellen: en del tittar brett över hela bilden för att hitta fisk i röriga scener, medan en annan del koncentrerar sig på mycket lokala texturer och färger för att urskilja små lesioner från normala mönster på fjäll och fenor. Samtidigt effektiviserar de nätverkets mittersta lager så att det körs effektivt, vilket minskar mängden beräkning utan att ge upp noggrannheten. Denna balans gör att systemet kan bearbeta video med mer än 50 bilder per sekund samtidigt som det uppmärksammar mycket fina detaljer.

Hur bra det fungerar och var det har svårigheter

När modellen testades mot ett antal populära realtidsdetektorer, inklusive flera versioner av den vida använda YOLO-familjen, matchade eller överträffade RT‑GalaDet dem i både noggrannhet och hastighet. Den märkade korrekt fiskar och deras yttillstånd i majoriteten av fallen och uppnådde hög precision (få falsklarm) och hög recall (få missade sjuka fiskar). Modellen var rimligt robust när teamet simulerade tuffare miljöer — svagare belysning och grumligare vatten — även om prestandan sänktes något, särskilt för subtila problem som ögonskador och små ulcerationer. Författarna noterar att deras data till stor del kom från kontrollerade tankförhållanden och att djupare eller smutsigare vatten, trängre burar och arter med mycket olika kroppsformer kommer att innebära ytterligare utmaningar.

Vad detta betyder för fiskodlingar

För fiskodlare och vattenlevande veterinärer är RT‑GalaDet inte en ersättning för fullständig sjukdomsdiagnos, vilket fortfarande kräver expertbedömning och ibland laboratorietester. Istället fungerar det som ett tidigt varnings- och bevisinsamlingverktyg: det kan övervaka stora mängder fisk dygnet runt, lyfta fram individer som visar oroande ytförändringar och tillhandahålla tydliga visuella ögonblicksbilder för uppföljning. Genom att upptäcka problem tidigare och minska behovet av stressande manuella inspektioner kan sådana system hjälpa odlingar att minska förluster, förbättra djurvälfärden och hantera behandlingar mer precist. Allteftersom kameror och datorkraft blir billigare och modeller som RT‑GalaDet utökas till fler arter kan realtidsbaserad, automatiserad hälsomonitorering bli en rutinmässig del av modern akvakultur.

Citering: Peng, X., Xiao, Z. & Yu, Y. RT-GalaDet as a real-time model for screening surface-associated health abnormalities in fish. Sci Rep 16, 6951 (2026). https://doi.org/10.1038/s41598-026-37288-2

Nyckelord: detektion av fiskjukdomar, övervakning av akvakultur, datorseende, realtids objektdetektion, underwater imaging