编辑推荐：
在高密度水产养殖网箱中，鱼类疾病易大规模爆发。为实现鱼皮肤病变实时检测，研究人员基于 YOLOv8 构建 BSAMYOLO 模型，引入 Inner-MDPIoU 损失函数和 BSAM 模块，创建鲈鱼病变数据集。实验显示模型 mAP50 达 93.91%，检测速度快，为水产养殖提供低成本方案。
水产养殖作为全球重要的蛋白质来源，在中国渔业经济中占据关键地位。然而，鱼类疾病频发成为行业痛点 ——2022 年我国因渔业灾害损失水产品 76.78 万吨，直接经济损失近 98 亿元，其中约 50% 的损失由鱼病导致。传统依赖实验室检测和专家经验的诊断方式，不仅耗时费力，准确性还高度受限，难以应对高密度养殖环境中疾病快速传播的挑战。加之水下环境复杂、病鱼图像获取困难，现有计算机视觉方法在鱼类病变检测中精度不足，尤其缺乏针对特定鱼种（如鲈鱼）的专用模型。在此背景下，开发一种高效、低成本的实时检测技术成为水产养殖可持续发展的迫切需求。
为解决上述问题，南方海洋科学与工程广东省实验室（广州）的研究团队开展了相关研究。团队基于深度学习技术，针对淡水鲈鱼皮肤病变检测难题，构建了改进的 YOLOv8 模型 ——BSAMYOLO，并将研究成果发表在《Aquaculture》。该研究不仅填补了鲈鱼专用检测模型的空白，更为水产养殖智能化病害防控提供了新范式。
研究采用的关键技术方法包括：
- 数据集构建：收集来自养殖企业、网络及实验室模拟环境的鲈鱼图像，由鱼类专家通过 Labelimg 工具标注健康与感染样本，形成专用数据集。
- 模型改进：在 YOLOv8 基础上，引入双层路由空间注意力模块（BSAM），减少计算量的同时增强模型对病变区域的关注；采用新型边界框回归（BBR）损失函数 Inner-MDPIoU，提升训练速度与检测精度。
- 检测流程：通过水下摄像头实时采集鲈鱼图像，经网络传输至计算机进行增强处理，利用 BSAMYOLO 模型实现病变鱼的定位与分类，输出预警信息。
研究结果
数据集与实验环境
研究构建的鲈鱼病变数据集涵盖多来源图像，通过数据增强防止过拟合，为模型训练提供了坚实基础。实验环境配置保障了模型的高效运行与性能验证。
模型性能评估
BSAMYOLO 模型在关键指标上表现优异：平均精度均值（mAP50）达 93.91%，精度（precision）为 91.90%，较原始 YOLOv8 分别提升 2.77% 和 4.11%；检测速度仅 3.5 ms / 图像，显著优于其他 YOLO 系列模型，实现了精度与速度的平衡。
实际应用价值
模型在水产养殖场部署后，可通过图像识别快速定位病鱼，养殖人员无需逐帧筛查视频，大幅节省人力与时间成本。其低成本、非侵入式的检测优势，尤其适用于中小型养殖场，为病害早期预警提供了可行性方案。
结论与讨论
本研究开发的 BSAMYOLO 模型成功实现了鲈鱼皮肤病变的实时、精准检测。通过改进损失函数与引入注意力机制，模型在复杂水下环境中对病变区域的识别能力显著提升，且检测效率满足在线监测需求。构建的专用数据集填补了鲈鱼研究的空白，为同类鱼种的病害检测提供了数据与方法参考。
该研究的重要意义在于，将深度学习技术与水产养殖需求深度结合，突破了传统检测方法的瓶颈，为智能化渔业管理提供了技术支撑。未来，若进一步扩展数据集覆盖更多鱼种与病变类型，并优化模型在不同水质条件下的鲁棒性，该技术有望在全球水产养殖病害防控中发挥更大作用，助力实现渔业经济与生态的可持续发展。
