基于改进YOLOV5模型的水产养殖鱼类寄生虫(Argulus)与流行性溃疡综合征早期检测研究

为解决水产养殖中鱼类寄生虫(Argulus)和流行性溃疡综合征(EUS)早期检测难题，研究人员开发了基于迁移学习的改进YOLOV5模型。该模型采用二值图像预训练，部署于树莓派平台，在精确度(precision)、召回率(recall)、mAP50和mAP50-95等指标上分别达到0.944、0.969、0.989和0.954，显著优于基础模型，为复杂水下环境中的鱼类疾病监测提供了高效解决方案。

　　

在水产养殖领域，鱼类寄生虫鱼虱(Argulus spp.)和流行性溃疡综合征(epizootic ulcerative syndrome, EUS)对食品安全构成重大威胁。传统方法难以实现养殖场中染病鱼类及疾病类别的早期识别，而及时检测是阻断疾病传播的关键环节。

研究团队创新性地改进了YOLO(You Only Look Once)第五代模型(YOLOV5)，通过迁移学习技术，采用二值图像预训练策略优化模型性能。该智能系统最终被集成到树莓派(Raspberry Pi)硬件平台，形成便携式检测装置。

实验数据表明，改进模型在多项关键指标上表现优异：精确度0.944、召回率0.969、交并比阈值0.50时的平均精度(mAP₅₀)高达0.989，交并比阈值0.50-0.95范围内的综合平均精度(mAP_50-95)达到0.954。这项技术突破使得复杂水下环境中的早期病害检测成为可能，为智慧水产养殖提供了可靠的技术支持。