《Information Processing in Agriculture》：An accurate and lightweight deep learning approach for identifying fish disease status in aquaculture image
编辑推荐：
在集约化水产养殖中，基于图像的病害状态识别可支持快速预警与及时干预。早期评估疾病严重程度有助于在初期制定有效控制措施，防止快速传播。然而，实际水下图像常存在遮挡、浑浊、弱对比度及病灶尺度差异大等问题，使视觉严重度评估困难。为提升此类挑战条件下的识别能力，研究人
在集约化水产养殖中，基于图像的病害状态识别可支持快速预警与及时干预。早期评估疾病严重程度有助于在初期制定有效控制措施，防止快速传播。然而，实际水下图像常存在遮挡、浑浊、弱对比度及病灶尺度差异大等问题，使视觉严重度评估困难。为提升此类挑战条件下的识别能力，研究人员提出SF-ConvMixer（Sick Fish-ConvMixer），一种轻量且高精度的鱼类疾病状态识别模型，将样本分为“正常（Normal）”、“轻度患病（Mildly diseased）”和“重度患病（Severely diseased）”三类。关键创新包括：（1）采用深度可分离卷积（Depthwise Separable Convolution, DSC）更好捕获复杂特征关系；（2）应用挤压激励（Squeeze-and-Excitation, SE）注意力机制增强病灶特征提取；（3）以可学习间距空洞卷积（Dilated Convolution with Learnable Spacings, DCLS）模块替换原ConvMixer中的逐点卷积，增强多尺度特征提取。实验表明，SF-ConvMixer准确率达97.48%，参数量较原ConvMixer减少约22%，浮点运算量为2.94 GFLOPs。该模型为水产养殖智能鱼病诊断与预警系统提供了有效技术基础。
研究背景方面，水产养殖中鱼类健康直接影响生产效率与生态可持续性，随放养密度升高病害风险上升，如大口黑鲈（Micropterus salmoides）诺卡氏菌病（Nocardiosis）可造成群体20%–50%感染、死亡率60%–90%，全球年损失超10亿美元。传统诊断依赖专家目检，慢、主观、劳动密集；计算机视觉虽快且客观，但现有研究多聚焦单鱼检测，忽视鱼群整体健康状态，且水下场景存在遮挡、浑浊、弱对比、病灶多尺度等挑战，深度学习模型常计算昂贵、细粒度特征提取困难。为此，研究人员在《Information Processing in Agriculture》发表该研究，提出轻量高精度的SF-ConvMixer，以解决复杂水下条件下鱼病三分类（正常、轻度、重度）问题。
关键技术方法上，研究人员在青岛中国农业大学综合水生动物流行病学实验室（Aoshan Base）利用水下相机（UW-S5-3PBX10, Barlus）采集大口黑鲈侧视视频，经人工筛选得1538张原始图（正常412、轻度384、重度742），采用椒盐噪声与水平翻转增广至7771张，按80:20切分训练/测试集后分别增广，得6217训练、1554测试；构建SF-ConvMixer，以深度可分离卷积（DSC，将标准卷积拆为通道空间滤波与1×1通道融合）替原深度卷积，嵌入挤压激励（SE，全局平均池化压缩通道描述子后经两层MLP激发重标定通道响应）注意力，并将原逐点卷替换换为可学习间距空洞卷积（DCLS，膨胀间距d作为可学习参数联合优化）以自适应调整感受野；训练用224×224输入、batch 8、AdamW（lr=1e-4, weight decay 0.01）、交叉熵损失、100 epoch、随机种子33，PyTorch 1.7.1框架。
研究结果部分，按原文小节叙述如下。数据集与预处理小节说明原始视频转JPG、三分类定义、增广策略与防泄漏切分，明确样本队列来自实验室受控感染大口黑鲈。SF-ConvMixer模型小节阐述以DSC增非线性与降参、SE重标定通道凸显病灶纹理与颜色变异、DCLS替逐点卷积扩感受野捕多尺度，整体网络在ConvMixer基础上做三处替换。性能评价指标小节采用Precision、Recall、Top-1 Accuracy。训练结果小节显示损失早期速降、50轮后收敛，测试集Top-1 97.48%、均值Precision 97.61%、均值Recall 97.49%。消融实验小节逐加DSC（参20.34M→14.93M，Acc 95.48→96.39）、SE（Acc→97.16，GFLOPs降至2.94）、DCLS（Acc→97.48，参15.81M），证各模块正向贡献。与基线对比小节在含椒盐噪声测试集上，SF-ConvMixer以15.81M参、2.94 GFLOPs获97.48% Acc，优于iFormer-L（96.59%）、RepViT（95.81%）等；干净测试集上达99.36%；三次随机种子均值97.31%±0.19、推理135.41 FPS、单图0.007 s；混淆矩阵与特征图可视化表明SE使轻度病辨识提升、焦点集中于病灶。局限与未来方向小节指出仅验证诺卡氏菌病单物种、未测嵌入式实时功耗、需扩物种与多源（水质物联网）数据。
讨论与结论翻译部分，研究人员指出：为克服特征模糊与尺度多变，提出SF-ConvMixer，融合DSC、SE、DCLS增强特征提取、扩感受野、降复杂度；基于大口黑鲈诺卡氏菌病数据集获最优三分类表现，可助减抗生素滥用与降低养殖风险，兼顾水产品安全与生态可持续，轻量高效设计兼容边缘计算。未来将扩展物种与环境、融合水质传感器与物联网设备。该工作为水产智能病害预警提供有效技术基底。
