基于CBFW-YOLOv8的工厂化循环水养殖鱼类体表疾病智能识别方法

为解决工厂化循环水养殖系统中鱼类体表疾病检测受复杂背景及鱼群遮挡影响的问题，研究人员提出CBFW-YOLOv8模型，通过ConvNeXt V2主干网络、BiFPN特征融合及Wise-IoU损失函数优化，实现93% mAP@0.5的检测精度和50.2f/s的实时性能，为水产智能化监测提供技术支撑。

　　

研究背景与意义
水产养殖业面临鱼类疾病爆发频繁、抗生素滥用等问题，传统检测方法依赖人工观察或侵入式采样，效率低且易造成应激反应。尽管深度学习在农业病虫害检测中取得进展，但水下环境的光线不足、鱼群动态行为及复杂背景干扰，使得鱼类疾病检测成为难题。中国农业大学的研究团队针对工厂化循环水养殖系统（RAS）的实际需求，开发了CBFW-YOLOv8模型，旨在实现鱼类体表疾病的高精度实时检测。

关键技术方法
研究通过搭建水下图像采集平台获取斑点叉尾鮰体表疾病（皮肤溃疡和烂尾病）数据集，采用自动色彩增强（ACE）算法提升图像质量。模型改进包括：以ConvNeXt V2替换YOLOv8主干网络降低计算复杂度，引入Focal Modulation模块和双向特征金字塔网络（BiFPN）优化特征融合，并采用Wise-IoU损失函数提升小目标检测性能。

研究结果

1. 数据采集与增强：在夏季高水温环境下采集真实养殖场景数据，通过ACE算法解决水下图像模糊问题。
2. 模型性能：CBFW-YOLOv8在斑点叉尾鮰疾病检测中达到93% mAP@0.5，检测速度50.2f/s，模型体积仅13MB。对比实验显示，其精度显著优于Faster-RCNN、YOLOv6/YOLOv8/YOLOv10等模型。
3. 泛化能力验证：在鲈鱼疾病和浮头行为检测中，mAP@0.5分别达97.6%和95.2%，证实模型适用于多场景。

结论与讨论
该研究首次将ConvNeXt V2与BiFPN结合应用于水产疾病检测，通过轻量化设计实现高精度与实时性的平衡。局限性在于未涵盖所有鱼类疾病类型，未来需扩展数据集。成果发表于《Computers and Electronics in Agriculture》，为水产智能化提供了可部署于巡检机器人的关键技术，推动精准养殖发展。