《Aquaculture and Fisheries》：Integration of contrast-adaptive colour correction and convolutional neural network for cryptocaryon fish disease detection
编辑推荐：
本研究针对水产养殖中隐核虫病（Cryptocaryon irritans）早期诊断效率低、主观性强的问题，创新性地将对比自适应色彩校正（CACC）技术与多种CNN架构（包括ResNet-50、GoogleNet等）相结合，构建了一种基于水下图像的智能检测模型。该模型在包含15,000张图像的数据集上实现了99.53%的准确率、100%的召回率，显著提升了检测精度与效率，为可持续水产养殖提供了可靠的技术支持。
在全球渔业资源日益紧张的背景下，水产养殖业已成为满足人类蛋白质需求的重要支柱。然而，随着养殖规模的扩大和集约化程度的提高，鱼类疾病，特别是由原生动物寄生虫——刺激隐核虫（Cryptocaryon irritans）引起的隐核虫病（俗称“白点病”），对养殖业构成了严重威胁。这种疾病传播迅速，可导致鱼类大规模死亡，造成巨大的经济损失。传统的疾病诊断方法主要依赖养殖专家通过肉眼观察进行外部检查，这种方法不仅耗时耗力，而且极易受到主观因素影响，导致诊断结果不一致、可靠性差。特别是在偏远地区的养殖场，专家资源匮乏，难以及时进行现场诊断，往往错失疾病防控的最佳时机。因此，开发一种快速、准确、客观的隐核虫病早期自动检测技术，对于保障水产养殖业的健康可持续发展具有至关重要的意义。
为了应对这一挑战，一项发表在《Aquaculture and Fisheries》上的研究提出了一种创新的解决方案。研究人员设计并验证了一种融合了对比自适应色彩校正（Contrast-adaptive Colour Correction, CACC）和卷积神经网络（Convolutional Neural Network, CNN）的智能检测模型，旨在通过分析水下图像来实现隐核虫病的自动化、高精度识别。
本研究的关键技术方法主要包括以下几个核心环节：首先，研究团队在马来西亚槟城国家鱼类健康研究中心（NaFisH）通过受控攻毒试验，构建了一个专门用于隐核虫病检测的水下图像数据集，该数据集包含15,000张高分辨率（3840 × 2160像素）图像，涵盖了正常鱼类和感染隐核虫病的鱼类，并考虑了光照、浊度、鱼类行为等多种环境变异。其次，在图像预处理阶段，采用了创新的对比自适应色彩校正（CACC）技术，该技术整合了暗通道先验（Dark Channel Prior, DCP）、对比度受限自适应直方图均衡化（Contrast-Limited Adaptive Histogram Equalization, CLAHE）和自动色阶色彩校正（Automatic Level Colour Correction, ALCC）三种算法，有效消除了水下图像的雾霾、增强了对比度、校正了色彩失真，从而显著提升了图像质量，为后续的精准分类奠定了基础。最后，在分类识别阶段，研究重点比较了五种经典的CNN架构（GoogleNet、ResNet-101、AlexNet、ResNet-50和VGG-16）在整合CACC增强后的图像上的性能。所有模型均在MATLAB R2021a环境中，使用固定的超参数（如最大迭代次数为6，初始学习率为3.00E-04，优化器为带动量的随机梯度下降sgdm等）进行训练和测试，以确保比较的公平性。
研究结果
1. 不同CNN架构的性能比较
研究人员对整合了CACC的五种CNN架构进行了全面的性能评估。结果显示，CACC与ResNet-50的组合表现最为优异。在训练阶段，其准确率达到了99.79%；在测试阶段，对3000张未见过的图像进行测试，准确率高达99.53%。其他架构如CACC with GoogleNet和CACC with ResNet-101也取得了超过98%的测试准确率，而CACC with AlexNet和CACC with VGG-16的表现相对较差，后者测试准确率仅为63.50%。这表明ResNet-50的残差学习结构能够更有效地从经过CACC增强的图像中学习到区分疾病的关键特征。
2. 综合评估指标分析
基于混淆矩阵（Confusion Matrix）的详细分析进一步证实了CACC with ResNet-50模型的卓越性能。该模型在测试集上实现了99.08%的精确度（Precision）、100%的召回率（Recall，也称为灵敏度Sensitivity）、99.07%的特异性（Specificity）以及99.54%的F1分数（F1-score）。100%的召回率意味着模型能够识别出所有感染隐核虫病的鱼，这对于早期预警和防止疾病爆发至关重要。高F1分数则表明模型在精确度和召回率之间取得了良好的平衡。
3. 与现有方法的比较
研究还将提出的CACC with ResNet-50方法与近年来其他基于人工智能的鱼类疾病检测方法进行了对比。如表5所示，本研究所达到的99.53%的准确率优于多数已有方法，例如Ahmed等人（2021）结合多种图像处理技术和支持向量机（SVM）取得的94.12%的准确率，以及Gupta等人（2022）使用CLAHE和CNN获得的96.70%的准确率。这凸显了CACC技术在提升图像质量以及ResNet-50在特征提取和分类方面的强大优势。
结论与讨论
本研究成功开发并验证了一种基于CACC和CNN（特别是ResNet-50架构）的隐核虫病智能检测系统。该研究的主要结论和重要意义可归纳如下：
首先，该研究证实了将先进的图像增强技术应用于水下鱼类图像处理的巨大价值。CACC技术通过融合DCP、CLAHE和ALCC算法，有效克服了水下环境导致的光线衰减、色彩失真和对比度低等挑战，为CNN模型提供了更清晰、信息更丰富的输入数据，这是实现高精度分类的关键前提。
其次，通过系统比较多种CNN架构，本研究明确了ResNet-50在该特定任务中的优势。其深层残差网络结构能够有效缓解深度网络中的梯度消失问题，从而更充分地学习图像中的细微特征差异，实现了对隐核虫病斑块的精准识别。
最重要的是，该方法实现了接近完美的检测性能（99.53%准确率，100%召回率），显著超越了传统人工观察方法和许多现有的自动化检测方法。这种高效率、高精度的检测能力意味着它可以在疾病发生早期及时发出警报，使养殖者能够迅速采取隔离和治疗措施，从而有效控制疾病传播，减少经济损失，保障水产养殖的产量和稳定性。这不仅符合联合国可持续发展目标中关于零饥饿（目标2）和水下生命（目标14）的要求，也顺应了第四次工业革命（IR 4.0）推动的自动化、智能化发展趋势。
尽管该研究取得了显著成果，但作者也指出了未来的改进方向，例如集成目标检测算法来精确定位鱼体上的病斑区域，以及将数据集扩展至更多鱼类物种和疾病类型，以进一步提升模型的通用性和鲁棒性。总之，这项研究为水产养殖中的鱼类健康管理提供了一种强有力的技术工具，为推动智慧渔业和可持续水产养殖的发展做出了重要贡献。
