RT-GalaDet 作为一种用于筛查鱼类表面相关健康异常的实时模型

农户为何关心尽快发现生病的鱼

鱼场如今供应了全球大量海鲜，但疾病可以在几天内在拥挤的鱼塘或海笼中蔓延，导致大量死亡并摧毁收益。农户通常依靠手工捕捞并逐只检查鱼只，这既缓慢又会给鱼造成压力，也容易错过早期病兆。本研究提出了 RT‑GalaDet，一种通过摄像头监视鱼群并实时标记小型表面问题（如斑点、溃疡和鳍部损伤）的计算机视觉系统，无需将鱼取出水面。

无需接触的鱼情监测

研究者旨在构建一个能够持续监测养殖鱼可见健康状况的工具，类似于针对疾病的自动监控摄像头。摄像头在鱼类自然游动时拍摄水下图像，替代了撒网和人工检查。一个专门的人工智能模型随后扫描每张图像，为单个鱼只绘制边框，同时识别物种及其表面健康状态。这种非侵入性方法旨在当鱼的皮肤、鳍或眼睛出现异常时，迅速向养殖者发出警报，以便在局部问题蔓延成全场疫情之前采取干预。

教系统识别“健康”和“生病”的样子

为训练 RT‑GalaDet，团队使用了一个包含超过 5,600 张图像的公开数据集，涵盖四种常见养殖鱼类：条纹喙鱼、黑鲷、朝鲜鲈（石斑类）和红鲷。每张图片中的每条鱼不仅被勾画出轮廓并标注物种，还被归入五种表面状态之一：健康、出血、溃疡、眼部损伤或鳍部损伤。这样形成了 20 个精确类别，例如“黑鲷–溃疡”或“红鲷–鳍部损伤”。由于真实养殖环境中健康鱼远多于生病鱼，研究者通过在新场景中复制并粘贴患病鱼、同时进行适度的对比度和锐化调整，平衡了数据集，以便模型能学会识别那些即便很小或部分被遮挡也很重要的罕见症状。

新模型如何快速看清小细节

RT‑GalaDet 建立在一类快速检测器的基础上，但重新设计了内部结构以更好地应对水下成像的挑战。浑浊的水、光线不均以及复杂背景都可能掩盖标志早期疾病的小斑点和边缘变化。作者在模型内部结合了两种“视觉”方式：一部分在整张图像上做广域搜索，以在杂乱场景中找到鱼只，另一部分则聚焦于非常局部的纹理和颜色差异，从正常的鳞片和鳍部模式中识别出小病灶。同时，他们精简了网络的中间层以提高运行效率，减少计算量而不牺牲准确性。这种平衡使系统能够以每秒超过 50 帧的速度处理视频，同时仍关注到非常细微的细节。

它的表现如何以及存在的困难

在与多种流行的实时检测器（包括若干版本的广泛使用的 YOLO 系列）比较测试中，RT‑GalaDet 在准确性和速度上总体上匹配或优于这些模型。它在绝大多数情况下能正确标注鱼只及其表面状况，表现出高精度（少误报）和高召回率（少漏检）。当团队模拟更艰难的环境——如更暗的光照和更浑浊的水——时，模型仍保持了相当的鲁棒性，但性能略有下降，尤其是对眼部损伤和小溃疡等细微问题的识别。作者指出，他们的数据主要来自受控的池塘条件，而更深或更脏的水域、拥挤的笼养环境以及体型差异很大的物种将带来额外挑战。

这对鱼场意味着什么

对于养殖户和水产兽医而言，RT‑GalaDet 并不能替代完整的疾病诊断，后者仍需专家判断并有时需要实验室检测。相反，它作为早期预警和证据收集工具：可以全天候监视大量鱼只，标出出现令人担忧的表面变化的个体，并提供用于后续检查的清晰影像证据。通过更早发现问题并减少对造成应激的人工检查的依赖，此类系统能够帮助鱼场减少损失、改善动物福利并更精确地管理治疗。随着摄像头和计算硬件成本下降，以及像 RT‑GalaDet 这样的模型扩展到更多物种，实时自动化的鱼类健康监测有望成为现代水产养殖的常规组成部分。

引用: 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

关键词: 鱼病检测, 水产养殖监测, 计算机视觉, 实时目标检测, 水下成像