AI-система детекции болезней рыб по видео/фото

ИИ-детекция болезней рыб по видео и фото

Ихтиопатолог может проверить 200–500 рыб в день. Система детекции болезней рыб на основе CV обрабатывает 10 000+ особей в час и фиксирует каждый выявленный признак с привязкой к ID особи. Мы строим такие системы под ключ для рыбоводческих хозяйств в сфере аквакультуры. Наш стек — YOLOv8, EfficientNet, PyTorch. За 5 лет мы внедрили решения для 12 видов рыб, включая атлантического лосося, форель и тилапию. Средняя экономия заказчика составляет 2,5 млн руб. в год за счет снижения падежа.

Почему CV-система эффективнее ихтиопатолога?

Человек устаёт, пропускает до 30% больных особей при интенсивной работе. CV-модель работает 24/7 без потери концентрации. Кроме того, система фиксирует точные координаты каждого дефекта, что позволяет отслеживать динамику здоровья популяции. Мы подтверждаем это на практике: после внедрения нашей системы клиенты снижают смертность на 15–20% за счёт раннего выявления вспышек.

Болезни и их визуальные признаки

Каждое заболевание имеет специфические визуальные маркеры:

Архитектура детектора

Двухэтапная схема:

Этап 1: Детекция отдельной рыбы — YOLOv8-seg выделяет каждую особь в кадре. Это необходимо для разделения перекрывающихся рыб и нормализации кропов перед классификацией.

Этап 2: Классификация патологий — на кропе отдельной рыбы работает multi-label классификатор. Multi-label важен: у одной особи могут быть одновременно язвы и экзофтальм.

from ultralytics import YOLO
import torch
from torchvision import models, transforms

# Детектор рыб
fish_detector = YOLO('fish_detector_yolov8m.pt')

# Классификатор патологий (multi-label)
disease_classifier = models.efficientnet_b3(pretrained=False)
disease_classifier.classifier[1] = torch.nn.Linear(
    disease_classifier.classifier[1].in_features,
    num_diseases  # например 12 классов болезней
)

def analyze_fish(frame):
    # Детекция рыб
    detections = fish_detector(frame, conf=0.5)[0]
    results = []
    for box in detections.boxes:
        crop = frame[int(box.xyxy[0,1]):int(box.xyxy[0,3]),
                     int(box.xyxy[0,0]):int(box.xyxy[0,2])]
        # Классификация патологий
        tensor = preprocess(crop).unsqueeze(0).cuda()
        with torch.no_grad():
            logits = disease_classifier(tensor)
            diseases = torch.sigmoid(logits) > 0.5  # multi-label
        results.append({'box': box.xyxy[0], 'diseases': diseases})
    return results

Как калибровать модель под конкретный вид рыбы?

Каждый вид имеет свою нормальную пигментацию и анатомию. Лосось-атлантик, форель, тилапия — разные baseline. Мы используем fine-tuning или отдельные головы классификатора для каждого вида. Размер рыбы тоже важен: малёк 5–10 г и товарная рыба 2–5 кг — разные ракурсы и разрешение деталей на снимке. Добавляем нормализацию по размеру через estimated body length.

Жабры: отдельная задача

Жаберные патологии не видны снаружи без специального осмотра. Для конвейерных линий первичной обработки: автоматизированный захват изображения жаберной крышки в открытом положении + специализированный классификатор. Классификация состояния жабр по цвету и текстуре: здоровые (тёмно-красные, упругие) / бледные (анемия, возможно кислородное голодание) / побелевшие (бактериальная жаберная болезнь) / коричневые (метгемоглобинемия от нитритов). CNN на кропах жабр: accuracy 0.88 на 4 классах.

Сравнение ручного осмотра и CV-системы

Процесс внедрения

1. Анализ производства: изучаем конвейер, освещение, виды рыб (1–2 недели).
2. Сбор данных: запись видео с камер заказчика, разметка ихтиопатологом (2–4 недели).
3. Разработка модели: тренируем детектор и классификатор на ваших данных (3–6 недель).
4. Интеграция: установка ПО на сервер, подключение к АСУ ТП (1–2 недели).
5. Тестирование: контрольный прогон на 10 000+ особях, настройка порогов (1–2 недели).
6. Обучение персонала: 2–3 дня на площадке, документация.

Что входит в работу

• Готовая модель детекции и классификации (Docker-образ).
• API для интеграции (REST/gRPC).
• Веб-интерфейс для просмотра результатов и экспорта отчётов.
• Документация по эксплуатации и калибровке.
• Гарантия на модель — 6 месяцев бесплатных обновлений при изменении видового состава.

Оценим ваш проект за 2 дня. Свяжитесь с нами для предварительного анализа — пришлёте видео с конвейера, мы вернём прототип результатов детекции.

Сроки

Базовая система детекции (видеопоток, 5–8 болезней): 8–12 недель. Расширенный модуль с жаберным анализом и несколькими видами рыб: 14–20 недель. Стоимость рассчитывается индивидуально.

Инвестиции в систему окупаются за 6–12 месяцев.