A real-time detection and non-destructive warning method for zebrafish body surface anomalies based on improved YOLOv8 framework
Notice bibliographique
Résumé
Abstract The detection of anomalies on fish surfaces is of critical importance for assessing fish health status, preventing fish disease outbreaks, predicting changes in water quality, enhancing fish welfare. The zebrafish ( Danio rerio ), a key model organism, has been increasingly utilized in various fields, including medicine, genetics and environmental toxicology. This has led to a corresponding increase in demand for intelligent management and detection systems. However, traditional methods of fish disease detection may have irreversible effects on fish, particularly small species, and often fail to meet the precision, non-destructive warning, and real-time requirements for zebrafish detection. To address this issue, this study proposes a novel method based on the YOLOv8 framework, designated ESC-YOLOv8-seg. This method significantly enhances the precision and speed of detecting surface abnormalities on small fish in complex settings by integrating the EMA the SPPELAN and C2f-Faster modules, and adding a detection head tailored for small targets. Furthermore, the integration of positional information and surface features enables the method to achieve real-time monitoring and non-destructive early warning of fish surface abnormalities. The proposed method enhances precision in small target detection and achieves high accuracy in discerning subtle differences among detection targets. In real aquaculture settings, it can reach an average speed of 106 FPS with a detection accuracy of 98%. Although this study has been designed to meet the specific needs of zebrafish scientific research, it is highly generalisable and can be applied to the real-time detection of underwater surface abnormalities in a range of fish species in aquaculture.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».