AI-система виявлення хвороб риб за відео та фото

Іхтіопатолог може перевірити 200–500 риб на день. Система детекції хвороб риб на основі CV обробляє 10 000+ особин на годину та фіксує кожен виявлений ознаку з прив'язкою до ID особини. Ми будуємо такі системи під ключ для рибницьких господарств у сфері аквакультури. Наш стек — YOLOv8, EfficientNet, PyTorch. За 5 років ми впровадили рішення для 12 видів риб, включаючи атлантичного лосося, форель та тиляпію.

Чому CV-система ефективніша за іхтіопатолога?

Людина втомлюється, пропускає до 30% хворих особин при інтенсивній роботі. CV-модель працює 24/7 без втрати концентрації. Крім того, система фіксує точні координати кожного дефекту, що дозволяє відстежувати динаміку здоров'я популяції. Ми підтверджуємо це на практиці: після впровадження нашої системи клієнти знижують смертність на 15–20% за рахунок раннього виявлення спалахів.

Хвороби та їх візуальні ознаки

Кожне захворювання має специфічні візуальні маркери:

Архітектура детектора

Двоетапна схема:

Етап 1: Детекція окремої риби — YOLOv8-seg виділяє кожну особину в кадрі. Це необхідно для розділення риб, що перекриваються, та нормалізації кропів перед класифікацією.

Етап 2: Класифікація патологій — на кропі окремої риби працює мультилейбл класифікатор. Multi-label важливий: в однієї особини можуть бути одночасно виразки та екзофтальм.

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

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

# Класифікатор патологій (multi-label)
disease_classifier = models.efficientnet_b3(pretrained=False)
disease_classifier.classifier[1] = torch.nn.Linear(
    disease_classifier.classifier[1].in_features,
    num_diseases  # наприклад 12 класів хвороб
)

def analyze_fish(frame):
    # Детекція риб
    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])]
        # Класифікація патологій
        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

Як калібрувати модель під конкретний вид риби?

Кожен вид має свою нормальну пігментацію та анатомію. Лосось-атлантик, форель, тиляпія — різні baseline. Ми використовуємо fine-tuning або окремі головки класифікатора для кожного виду. Розмір риби також важливий: мальок 5–10 г та товарна риба 2–5 кг — різні ракурси та роздільна здатність деталей на знімку. Додаємо нормалізацію за розміром через estimated body length.

Зябра: окрема задача

Зяброві патології не видно зовні без спеціального огляду. Для конвеєрних ліній первинної обробки: автоматизоване захоплення зображення зябрової кришки у відкритому положенні + спеціалізований класифікатор. Класифікація стану зябер за кольором та текстурою: здорові (темно-червоні, пружні) / бліді (анемія, можливо кисневе голодування) / побіліли (бактеріальна зяброва хвороба) / коричневі (метгемоглобінемія від нітритів). CNN на кропах зябер: accuracy 0.88 на 4 класах.

Порівняння ручного огляду та CV-системи

Процес впровадження

1. Аналіз виробництва: вивчаємо конвеєр, освітлення, види риб (1–2 тижні).
2. Збір даних: запис відео з камер замовника, розмітка іхтіопатологом (2–4 тижні).
3. Розробка моделі: тренуємо детектор та класифікатор на ваших даних (3–6 тижнів).
4. Інтеграція: встановлення ПЗ на сервер, підключення до АСК ТП (1–2 тижні).
5. Тестування: контрольний прогін на 10 000+ особин, налаштування порогів (1–2 тижні).
6. Навчання персоналу: 2–3 дні на майданчику, документація.

Що входить в роботу

• Готова модель детекції та класифікації (Docker-образ).
• API для інтеграції (REST/gRPC).
• Веб-інтерфейс для перегляду результатів та експорту звітів.
• Документація з експлуатації та калібрування.
• Гарантія на модель — 6 місяців безкоштовних оновлень при зміні видового складу.

Оцінимо ваш проект за 2 дні. Зв'яжіться з нами для попереднього аналізу — надішлете відео з конвеєра, ми повернемо прототип результатів детекції.

Строки

Базова система детекції (відеопотік, 5–8 хвороб): 8–12 тижнів. Розширений модуль із зябровим аналізом та кількома видами риб: 14–20 тижнів. Вартість розраховується індивідуально.

Інвестиції в систему окупаються за 6–12 місяців.