通过改进的深度学习模型,在鱼类水产养殖中加强了Argulus和性性综合征的检测
Mahdi Hamzaoui1, Mohamed Ould-Elhassen Aoueileyine1, Seifeddine Bouallegue2
1Innov'COM Laboratory, Higher School of Communication of Tunis, University of Carthage, Raoued, Ariana, Tunisia.
Journal of aquatic animal health
|July 15, 2025
概括
这项研究开发了一种改进的YOLOv5模型,用于早期检测鱼类疾病,如动物性性综合征和鱼 (Argulus spp.). 在水产养殖业,加强食品安全和疾病预防.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 动物健康 动物健康
- 计算机视觉 计算机视觉
背景情况:
- 鱼类疾病对水产养殖食品安全构成重大风险.
- 早期检测受感染的鱼类对于疾病管理和预防至关重要.
- 目前用于早期识别鱼类疾病的方法往往具有挑战性.
研究的目的:
- 开发和评估一个改进的YOLOv5模型,用于检测感染了动物性性综合征和Argulus spp.的鱼类.
- 加强在水产养殖环境中早期发现疾病.
- 为了提高鱼类养殖中的食品安全.
主要方法:
- 开发了一种改进的YOLO版本5 (YOLOV5) 模型,利用对二进制图像进行预训练模型的转移学习.
- 将改进的YOLOV5模型集成和部署到Raspberry Pi板上进行实际应用.
- 使用精度,回忆,mAP50和mAP50-95作为关键评估指标.
主要成果:
- 与标准YOLOV5模型相比,改进的YOLOV5模型显示出更高的有效性.
- 获得了很高的准确率:精度为0.944,回忆为0.969,mAP50为0.989和mAP50-95.5为0.954.
- 该模型的性能表明,对实时检测鱼类疾病有很大的潜力.
结论:
- 增强的YOLOV5模型为在水产养殖中检测特定鱼类疾病提供了高度准确和有效的解决方案.
- 早期检测能力得到了显著改善,有助于疾病制和食品安全.
- 与Raspberry Pi的整合表明了实用,现场疾病监测系统的可行方法.
