农食加工植物（Agri-Food Plants）中创新技术——基于增强分割任意模型（Enhanced Segment Anything Model, SAM）与自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）的罗非鱼疾病自动化诊断方法

《Applied Sciences》：Innovations in Agri-Food Plants

　　

在水产养殖复杂环境中诊断罗非鱼疾病受到背景噪声及高质量病理数据匮乏的严重制约。为克服上述瓶颈，研究人员提出了一种两阶段诊断框架，集成了增强分割任意模型（Segment Anything Model, SAM）与自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）。第一阶段，对SAM引入卷积块注意力模块（Convolutional Block Attention Module, CBAM）特征适配器及基于区域提议网络（Region Proposal Network, RPN）的提示编码器（Prompt Encoder），通过自生成空间提示实现不规则病患病灶区域的自动精确提取，从而隔离水体背景噪声。第二阶段，从病灶掩膜（Mask）中提取临床颜色特征，利用ANFIS进行分类；为提高小样本数据集下的性能，采用粒子群优化（Particle Swarm Optimization, PSO）算法在数值稳定的One-vs-Rest（OvR）二值交叉熵损失（Binary Cross-Entropy Loss）下训练ANFIS的前提与结论参数。在公开数据集"Enhancing Disease Detection in Nile Tilapia"上验证，该方法平均分割Dice相似系数（Dice Similarity Coefficient, DSC）达86.2%，分类准确率（Accuracy）达93.5%。该混合方法显示出作为水产养殖疾病自动监测基础基线的良好潜力。

论文解读：基于增强SAM与PSO优化ANFIS的罗非鱼疾病自动化诊断研究

研究背景与意义

全球渔业扩张背景下，水产养殖业成为农业经济支柱，但鱼类疾病（如罗非鱼链球菌病Streptococcosis、柱形病Columnaris Disease、湖病毒Tilapia Lake Virus/TiLV）造成巨大经济损失。现有基于卷积神经网络（Convolutional Neural Network, CNN）的深度学习方法面临三大瓶颈：一是水产病理高质量标注数据稀缺易导致过拟合；二是水下复杂背景、反光及水波纹使健康鳞片纹理与微小溃疡或出血等真性病灶难以区分；三是鱼类疾病症状具高度模糊性与过渡性，传统硬分类器缺乏生物可解释性。将大型视觉基础模型SAM引入该领域可提升泛化能力，但其缺乏针对特定病灶的自动提示生成能力；神经模糊推理系统（Neuro-Fuzzy Inference System, ANFIS）擅长处理不确定信息且具规则可解释性，适合小样本模糊分类。为此，研究人员提出两阶段"分割—分类"混合框架，发表于《Applied Sciences》。

关键技术方法

研究人员选用公开数据集"Enhancing Disease Detection in Nile Tilapia"中NTD-1子集共1043张图像（链球菌病327张、柱形病362张、湖病毒354张），采用基于独立个体鱼的分层5折交叉验证，预处理使用多尺度Retinex色彩恢复（Multi-Scale Retinex with Color Restoration, MSRCR）及填充缩放至1024×1024像素，训练集做几何数据扩增。第一阶段分割模块以ViT-Huge为骨干的预训练SAM为基础，冻结原图像编码器与原提示编码器，加入基于卷积块注意力模块（CBAM）的轻量级特征适配器（Feature Adapter）及基于区域提议网络（RPN）的ROI提示编码器（ROI Prompt Encoder）参与训练，用多任务联合损失（RPN分类Smooth L1 Loss、边界框回归Smooth L1 Loss、Dice Loss+Focal Loss）优化。第二阶段分类模块从分割出的病灶掩膜内提取RGB三通道均值颜色特征，经模糊C均值（Fuzzy C-Means, FCM）聚类初始化高斯隶属函数，输入Takagi–Sugeno型ANFIS五层网络，采用粒子群优化（PSO）算法在数值稳定OvR二值交叉熵（Stable Binary Cross-Entropy）损失下优化ANFIS前提参数（高斯隶属函数中心c_i、标准差σ_i）与结论参数（线性函数权重p_ij）。

研究结果

4.1 Dataset and Pre-Processing（数据集与预处理）

研究人员使用公开尼罗罗非鱼疾病检测数据集，由三名研究者用LabelMe手动标注病灶边界框与像素级掩膜（重测mIoU=90.7%），按个体鱼分层5折划分，应用MSRCR校正水体色偏与光照不均，Padding至正方形后缩放到1024×1024，仅训练集做翻转旋转剪切扩增。证明数据标注可靠、划分合理且预处理有效抑制了水下环境干扰。

4.2 Evaluation Metrics（评估指标）

选用Dice相似系数（DSC）、精确率（Precision）、召回率（Recall）、F1分数（F1-Score）、准确率（Accuracy）及布赖尔分数（Brier Score, BS）评估分类校准度，参数量（Params）、浮点运算量（GFLOPs）和推理时间衡量计算复杂度。

4.3 Experimental Details（实验设置）

硬件为Intel i5-12600KF、RTX 4060 Ti，PyTorch 1.10.0，SAM选ViT-Huge预训练权重，RPN锚框多尺度多长宽比，AdamW优化器学习率1×10^?4，批次大小4，训练200轮。ANFIS模糊规则数与聚类数经贝叶斯优化确定，PSO种群44、最大迭代200、认知系数1.483、社会系数1.880。确保实验可复现与各模块超参数经校验优选。

4.4 Segmentation Result（分割结果）

与U-Net、DeepLab v3+、TransU-Net、Mask R-CNN、Mask2Former、原始SAM及HQ-SAM对比，Enhanced SAM平均Dice系数达86.2%（链球菌86.0%、柱形病87.7%、湖病毒84.9%），5折标准差±0.9%，显著优于各对照模型且边缘更贴合金标准掩膜。表明CBAM特征适配器与RPN自提示机制有效抑制背景噪声并精准定位不规则病灶。

4.5 Classification Result（分类结果）

与ResNet-50、Swin Transformer、多层感知机（Multilayer Perceptron, MLP）、支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest）、极端梯度提升（eXtreme Gradient Boosting, XGBoost）对比，PSO优化ANFIS准确率93.5%、精确率92.8%、召回率92.5%、F1分数92.6%、Brier Score 0.065（5折Acc标准差±0.8%），优于所有深度学习与机器学习基线，且对过渡性模糊症状给出校准良好的软概率分布。说明在小样本低维颜色特征下ANFIS结合PSO与稳定OvR损失具更强泛化与可解释性。

4.6 Computational Complexity Analysis（计算复杂度分析）

总参数量约638.2 M（可训练仅5.8 M），GFLOPs 2614.7，ANFIS模块参数量<0.01 M推理耗时0.2 ms，整体在RTX 4060 Ti上单图推理约48.3 ms（~20 FPS）。虽分割模块计算量大但通过冻结主干与局部微调平衡了精度与效率，满足近实时应用需求。

4.7 Ablation Experiments（消融实验）

分割模块消融显示：原始SAM（网格点提示）Dice 73.9%，加CBAM特征适配器升至80.4%，加RPN提示编码器升至82.1%，两者结合（Proposed）达86.2%，证明两模块功能互补。分类模块消融显示：标准ANFIS（反向传播+最小二乘估计）准确率88.3%，ANFIS+PSO（标准交叉熵）91.1%，ANFIS+PSO+稳定OvR损失（Proposed）93.5%，证实PSO跳出局部极小及OvR解耦多类任务对小样本优化的必要性。去除分割先验直接用全图RGB特征分类准确率仅70.2%，验证病灶区域分割对消除背景稀释效应、提升特征可分性的关键作用。

讨论与结论总结

研究人员指出本方法较现有SOTA在分割（Dice +12.3% vs原始SAM，+2.7% vs HQ-SAM）与分类（Accuracy 93.5% vs Swin Transformer 91.5%、ResNet-50 90.3%）均有提升；ANFIS的If-Then模糊规则提供近似病理学家诊断逻辑的决策透明度，Brier Score更低说明对模糊症状的置信度校准更优。局限在于ViT-Huge骨干不利边缘端轻量化部署、单一数据集泛化性待多中心验证、仅用静态二维颜色特征未融合行为动态信息、标准PSO收敛速度可进一步改进。未来方向包括知识蒸馏轻量化、少样本域适应、多模态（水下视频时空特征）决策级融合及混合优化算法。

结论（翻译）

本研究提出一种创新的两阶段"分割—分类"框架，解决了罗非鱼疾病识别中背景复杂、病灶微小及症状模糊的持久挑战。分割阶段通过引入基于卷积块注意力模块（CBAM）的特征适配器与基于区域提议网络（RPN）的ROI提示编码器，成功将通用分割任意模型（SAM）转化为具备自动提示生成能力的领域专用模型，实现病灶区域的精确提取。分类阶段利用粒子群优化（PSO）算法优化的自适应神经模糊推理系统（ANFIS），结合数值稳定的One-vs-Rest（OvR）二值交叉熵损失函数，基于病灶颜色特征实现了高精度疾病诊断。实验证实所提增强SAM以Dice相似系数86.2%优于Mask2Former等SOTA模型；PSO-ANFIS分类器准确率可达93.5%，超越主流深度学习与机器学习基线。消融研究验证了自生成提示与神经模糊逻辑的关键贡献。该混合框架为水产养殖自动监测系统提供了一个鲁棒、可解释且计算可行的奠基性模型。