《Aquaculture and Fisheries》：STAFDD: A spatio-temporal automatic fish disease detection method
编辑推荐：
在高密度水产养殖环境中，鱼类疾病传播迅速，传统人工巡检难以实现及时准确的诊断。现有的自动化检测方法主要依赖计算机视觉技术，通过鱼体表变化识别病鱼，少数方法则利用游泳轨迹差异进行疾病检测；两类方法各有优势与局限。本研究提出一种名为STAFDD的时空自动鱼类疾病检
在高密度水产养殖环境中，鱼类疾病传播迅速，传统人工巡检难以实现及时准确的诊断。现有的自动化检测方法主要依赖计算机视觉技术，通过鱼体表变化识别病鱼，少数方法则利用游泳轨迹差异进行疾病检测；两类方法各有优势与局限。本研究提出一种名为STAFDD的时空自动鱼类疾病检测方法，该方法整合空间体表特征与基于轨迹的时间行为信息，以提高病鱼识别的准确性和稳定性。所提出的框架首先采用改进的YOLOv8检测器——SSCA-YOLO，执行鱼体检测与体表异常识别。通过引入SPD-CBS下采样模块、小目标检测头以及坐标注意力机制（Coordinate Attention, CA），SSCA-YOLO提升了鱼体目标与体表异常的定位精度。随后，采用集成ReID外观特征的ByteSort跟踪算法，实现稳定的多目标跟踪，生成个体轨迹并减少身份切换（identity switch）。接着，应用长短期记忆网络（Long Short-Term Memory, LSTM）时间序列模型从轨迹与运动特征中提取异常行为模式。最后，引入轻量级可学习多层感知机（Multilayer Perceptron, MLP）门控策略，根据视觉置信度、轨迹置信度及归一化轨迹长度，自适应地融合视觉分支与轨迹分支的输出，从而判定每条鱼的健康状态。研究人员以嗜水气单胞菌（Aeromonas hydrophila）攻毒的银鲫（Carassius gibelio）为实验模型，构建了鱼类疾病检测数据集用于训练与验证。实验结果表明，相较于原始YOLOv8，SSCA-YOLO的平均精度均值mAP@[0.5:0.95]提升了1.58%。ByteSort跟踪算法取得了89.74%的HOTA和94.05%的MOTA，仅有37次身份切换。基于可学习MLP门控融合的STAFDD模型总体分类准确率达到96.86%，优于单独的视觉分支和轨迹分支。通过整合鱼类外观特征与时间行为线索，所提方法为高密度水产养殖环境中的鱼类疾病监测提供了一种有效的自动化解决方案。
一、研究背景与研究问题
鱼类为人类健康提供必需的多种营养素。银鲫作为我国及欧亚大陆最常见的经济淡水鱼之一，也是我国主要食用鱼类。当前，商业化养殖正逐步向智能化、工厂化集约养殖系统转型，虽显著提高了生产效率，但也带来了新挑战。在高密度养殖环境中，鱼类疾病具有传染性强、暴发迅速、症状复杂等特点，给水产养殖业造成严重经济损失。因此，及时发现病鱼、阻止病原传播以防止大规模死亡具有重要的现实意义。
鱼类感染病毒或细菌后，早期会出现体表特征细微变化以及游动异常、游速降低等行为改变，后期则出现体色变暗、鳞片异常、皮肤出血等明显症状。传统检测方法主要依靠人工检查病变部位和观察异常行为，耗时费力且难以规模化。随着人工智能与计算机视觉技术的发展，基于机器学习的自动化检测方法开始应用于鱼类体表异常检测，具备低成本、高效率、非侵入性等优点。现有方法可分为两大类：基于传统机器学习的方法和基于深度学习的目标检测方法。然而，传统机器学习方法依赖人工设计特征，泛化能力差且易受环境影响。
基于YOLO的目标检测方法已被广泛应用于水产养殖领域。尽管已有研究取得进展，但大多数现有方法主要依赖视觉模型定位或分割感染区域。当病灶不明显或外观差异微弱时，仅凭视觉信息难以做出稳定可靠的判断。相反，仅基于轨迹或单一行为特征的决策策略可能无法捕捉鱼类自由游动时的多样化运动模式，导致误检或漏检。
二、研究内容与结论
为解决上述局限性，实现更准确鲁棒的鱼类疾病识别，研究人员提出了STAFDD时空自动鱼类疾病检测方法。该方法首先采用改进的YOLOv8检测器SSCA-YOLO增强鱼体检测与体表异常定位；随后使用集成ReID外观特征的ByteSort跟踪算法进行多目标关联与稳定跟踪，减少身份切换并生成个体轨迹；再将轨迹输入LSTM时序模型提取异常行为特征；最后引入可学习MLP门控机制，根据视觉置信度分数、轨迹置信度分数和归一化轨迹长度自适应融合视觉与轨迹分支，输出每条鱼的最终健康状态。研究人员收集健康和患病鱼类的图像与视频构建鱼类疾病检测数据集（Fish Damage Detection Dataset, FDD）进行模型训练与验证。实验结果显示，采用可学习门控融合的STAFDD总体分类准确率达96.86%，优于单独视觉分支和单独轨迹分支。该研究为整合空间外观信息与时间行为信息的鱼类疾病检测提供了新方案，提升了复杂养殖环境下鱼类健康状态识别的准确性与稳定性。
三、关键技术方法概述
研究人员主要采用了以下关键技术方法：（1）SSCA-YOLO检测器：基于YOLOv8改进，在骨干网络中引入SPD-CBS下采样模块替代常规卷积下采样，保留更多空间细节；在Detect模块中添加专用小目标检测头；在头部网络引入坐标注意力机制（Coordinate Attention, CA）以增强判别特征并抑制背景噪声。（2）ByteSort跟踪算法：在ByteTrack关联框架中融入ReID外观特征，提升密集鱼群中因遮挡、交叉、急转等情况下的身份保持能力和轨迹连续性。（3）LSTM时序模型：从连续位置序列中提取游泳速度和移动方向等时间运动特征，进行基于行为的健康状态预测。（4）可学习MLP门控融合策略：将SSCA-YOLO输出的视觉置信度、LSTM输出的轨迹置信度和归一化轨迹长度联合输入MLP，学习融合权重，实现视觉证据与行为证据的自适应互补决策。数据方面，研究人员以中国科学院水生生物研究所提供的银鲫为实验动物，采用嗜水气单胞菌腹腔注射攻毒构建疾病模型，使用华为HiQee智能摄像机2S在梁子湖科研设施采集顶视视频，视频分辨率为1920×1080像素，帧率25fps。
四、研究结果
4.1 对象检测数据集构建：从长期连续视频中以每50帧提取1帧的间隔采样策略获得1011张图像，共标注17658个鱼类实例。按7:2:1比例划分为训练集（707张图像，12388个边界框）、验证集（202张图像，3469个边界框）和测试集（102张图像，1801个边界框）。训练中采用随机裁剪、旋转、平移、缩放和马赛克增强等多种数据增强策略。
4.2 轨迹数据集构建：轨迹训练数据由SSCA-YOLO+ByteSort流水线生成的跟踪结果经人工校验修正以及使用DarkLabel 2.4标注的视频片段组成。多目标跟踪算法的验证集为DarkLabel 2.4标注的视频片段。对用于LSTM训练的轨迹进行了空间归一化处理，以减少两组间水平坐标的系统性差异。
4.3 SSCA-YOLO检测性能：相较于原始YOLOv8，SSCA-YOLO的mAP@[0.5:0.95]提升了1.58%，表明SPD-CBS模块、小目标检测头和CA机制的引入有效增强了小目标鱼体和体表异常的检测能力。
4.4 ByteSort跟踪性能：ByteSort跟踪算法取得了89.74%的HOTA和94.05%的MOTA，仅有37次身份切换，证明集成ReID外观特征有效减少了密集鱼群中的身份切换问题，保证了轨迹连续性。
4.5 STAFDD融合检测性能：基于可学习MLP门控融合的STAFDD模型总体分类准确率达到96.86%，优于单独视觉分支和单独轨迹分支，验证了时空特征融合的有效性。
五、讨论与结论
通过整合鱼类外观特征与时间行为线索，STAFDD方法为高密度水产养殖环境中的鱼类疾病监测提供了一种有效的自动化解决方案。该研究的主要贡献包括：（1）开发了整合空间外观信息与时间轨迹行为特征的自动化时空鱼类疾病检测框架STAFDD，提供端到端的鱼体检测、身份保持跟踪、行为时序建模和融合健康状态推断流水线；（2）针对俯拍鱼群图像中小目标尺寸、密集遮挡和体表病灶特征细微的挑战，构建了任务适配的SSCA-YOLO检测器；（3）通过在ByteTrack关联框架中融入ReID外观特征构建ByteSort跟踪模块，减少了密集鱼群中的身份切换；（4）引入轻量级可学习MLP门控融合策略，避免了人工定义固定或经验权重，实现了视觉证据与行为证据的自适应互补决策；（5）构建了鱼类疾病检测数据集，并在目标检测、多目标跟踪、基于轨迹的分类和融合健康状态推断等方面进行了全面实验，验证了STAFDD框架的有效性。
