ESC-YOLOv8-seg: A real-time non-destructive detection framework for small-target surface anomalies in zebrafish underwater monitoring
Notice bibliographique
Résumé
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, and 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, SPPELAN, and C2f-Faster modules, and incorporating an additional detection head (P2) optimized for the extreme small target size of zebrafish. 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. • Provided a machine vision-based scheme for monitoring the health of zebrafish. • Proposed a novel method for fusing attention mechanisms with lightweight network. • Overcame challenges in segmentation and classification of small underwater objects. • Presented ESC-YOLOv8-seg, a novel network for target detection and segmentation. • ESC-YOLOv8-seg achieves 98 % accuracy at 108 FPS based on image enhancement.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».