《Aquacultural Engineering》：AI-Driven Aquaculture Management System with AquaGPT for Smart Aquaculture
编辑推荐：
AquaGPT系统通过集成图像分类与检索增强的对话机制，实现鱼类疾病智能诊断与管理，采用三模型集成提升检测稳定性，并基于科学文献提供精准防治建议。
Rukesh Kamalanathan|Jayashree Padmanabhan
印度泰米尔纳德邦金奈安娜大学马德拉斯理工学院计算机技术系
摘要
水产养殖是全球食品生产的重要组成部分，但鱼类疾病传播迅速，可能导致巨大损失。农民通常需要手动监测鱼类健康状况，这需要花费时间、精力和金钱。为简化这一过程，我们开发了AquaGPT系统，该系统利用自然语言处理和深度学习技术进行鱼类疾病管理。农民可以用简单的语言提出问题，并获得关于预防和控制疾病的答案。AquaGPT与其他咨询工具的不同之处在于它将文本指导与基于图像的疾病检测相结合，为农民提供了一个统一的管理平台。在疾病检测方面，AquaGPT同时使用了三个模型：MobileNetV2、DenseNet121和VGG16。这些模型被训练用于识别七类鱼类健康问题：细菌性红病、气单胞菌病、细菌性鳃病、腐生菌病、健康鱼类、寄生虫病和白尾病。数据集通过调整图像大小、将其分为训练集、验证集和测试集，并在训练过程中应用数据增强技术来准备。三个模型的结合使用提高了检测的可靠性。MobileNetV2的总体准确率为98.47%，DenseNet121为99.51%，VGG16为99.67%；而集成方法在多数投票模式下达到96.29%，加权融合模式下为96.29%，堆叠模式下为97.43%。AquaGPT可以帮助农民更早地发现疾病并做出更好的决策。由于测试是在受控数据集上进行的，在系统得到广泛部署之前，还需要进行更多测试，包括实地试验和在不同数据集上的验证。
引言
近年来，水产养殖发展迅速，现已成为食品生产的重要支柱。许多农民将其作为主要收入来源。然而，疾病爆发仍然给养殖场带来严重问题。当感染扩散时，往往发展迅速，等到发现症状时，大量鱼群可能已经受到影响。大多数养殖场仍然依赖人工检查、个人判断和不定期巡查。这些方法效率低下，容易遗漏问题，常常导致治疗不及时或不必要的治疗（Fernandes等人，2025年；Yang等人，2020年；Feng等人，2025年）。人工智能工具开始应用于水产养殖领域，主要体现在两个方面：基于图像的疾病识别和通用咨询聊天机器人。问题在于这些系统通常独立运作。图像模型仅用于疾病分类，但不能告诉农民下一步该怎么做。聊天机器人提供一般性建议，但缺乏视觉依据，可能无法有效处理水产养殖特有的问题。迄今为止，还没有一个专门为水产养殖设计的系统能够查看鱼类图像、做出诊断并解释农民可以采取的措施。本研究的主要优势在于其集成设计。AquaGPT将基于图像的诊断与检索支持的对话界面结合在一个系统中。疾病预测组件使用了三个在相同条件下训练的互补深度学习模型，提高了对视觉相似疾病类别的预测稳定性。同时，咨询组件基于精心整理的水产养殖文献提供响应，避免了泛化或不准确的聊天机器人输出。这种统一架构直接关联了视觉证据和文本指导，反映了农民在实际操作中处理疾病识别和响应的方式。
这一差距在实践中非常重要。农民通常同时需要两样东西：对可能遇到的疾病的合理了解，以及简单可靠的应对指导。现有方法与我们不同，因为它们要么依赖单一深度学习模型而缺乏交叉验证，要么使用的聊天机器人给出的建议缺乏实际水产养殖背景。大多数系统也没有使用能够引用已发表研究或验证文档的检索方法。这些差异表明需要一个更加集成和实用的工具。在这项研究中，我们推出了AquaGPT，该系统将这两项功能结合起来。疾病检测部分使用了三个卷积神经网络（MobileNetV2、DenseNet121和VGG16）的集成。每个模型都带来了不同的优势，使集成模型在各种疾病类别上的预测更加稳定。数据集包括七类疾病：细菌性红病、气单胞菌病、细菌性鳃病、腐生菌病、健康鱼类、寄生虫病和白尾病（Zhao等人，2021年；Huang等人，2023年）。在咨询方面，系统使用了Mistral-7B模型，并通过检索过程支持响应。响应基于从科学文献和可信的水产养殖资源中提取的信息（Aung等人，2024年；Rather等人，2024年），从而确保指导内容具有实际依据，避免了模糊的聊天机器人式回答。本研究旨在设计和评估一个既能识别图像中的常见鱼类疾病，又能提供实用参考指导的单一平台。其目的不是替代专家建议，而是为农民提供有助于早期发现和基本决策的工具。本研究的主要贡献包括：
- 1.
对鱼类疾病预测系统的详细描述，包括类别分布、图像条件以及数据集如何划分为训练集、验证集和测试集，同时提供研究中使用的数据集。
- 2.
对在相同条件下训练的三个CNN模型的评估，随后采用集成方法结合它们的输出以提高鱼类疾病预测的一致性。
- 3.
一个基于检索的对话助手（AquaGPT），利用从精选的科学和实践资源中提取的信息回答水产养殖相关问题，将诊断和指导整合在一个系统中。
方法部分
方法论
研究方法首先回顾了相关文献，然后描述了所提出的系统架构，接着介绍了数据集准备、模型训练协议、集成策略以及检索增强的对话模块。
评估指标
在评估所提出的IDS时，选定的性能指标至关重要。评估指标包括准确率、精确度、检测率、F分数和混淆矩阵。
1. 准确率：IDS的检测准确率定义为正确识别的观测数量与测试集中总观测数量的比例。
2. 检测率/召回率：召回率（也称为灵敏度和真正例率）是指...
讨论
本讨论首先总结了主要发现，然后比较了不同模型和集成策略，接着讨论了实际应用、局限性和未来发展方向。该系统的一个关键优势在于其设计选择直接体现在观察结果中。集成配置降低了对视觉上模糊疾病模式的敏感性，这一点在各类指标和混淆矩阵中得到了体现，ROC-AUC分析也证实了其稳定的区分能力。
结论
本研究提出了AquaGPT这一研究原型，它将鱼类疾病分类与检索支持的对话助手相结合。该系统的设计旨在探索如何在单一平台上结合基于图像的预测和领域特定指导，而非声称已准备好立即投入实际应用。实验结果在受控条件下显示出良好的性能，但这些结果应被视为迈向实际应用的一步。
未引用的参考文献
(Fernandes和DMello，2025年；Yang等人，2025年；Huang和Khabusi，2023年；Le和Huh，2024年；Al-Abri等人，2025年；Jhansi和Sujatha，2023年；Biazi和Marques，2023年；Arepalli和Naik，2024年；Shoaib Ahmed等人，2022年；Huang和Khabusi，2025年；Sriputhorn等人，2025年；KP和S，P，2024年；Mistral，2025年)
CRediT作者贡献声明
Rukesh Kamalanathan：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计、数据整理、概念构建。
Jayashree Padmanabhan：监督、资源协调、项目管理、资金获取。利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
