近日,中国农业大学国家数字渔业创新中心王洋教授课题组在期刊《Aquaculture International》上发表了题为《基于微型机器学习的实时快速鱼类疾病视觉检测系统》(Real-time rapid visual fish disease detection system based on tiny machine learning)的研究论文。
《Aquaculture International》是一本专注于水产养殖领域的国际性学术期刊。该期刊录用了中国农业大学国家数字渔业创新中心王嘉亿,尹一涵,杨晋琪,朱霏雨,李道亮,王洋(指导老师)等人的论文—“Real-time rapid visual fish disease detection system based on tiny machine learning”(DOI:https://doi.org/10.1007/s10499-025-02256-6)。
本研究由国家重点研发计划(基金号:2024YFD2400200;2024YFD2400204)、国家自然科学基金(基金号:32373185)等项目资助。
图1 论文首页
水产养殖在保障全球粮食安全与促进经济增长方面作用日益凸显,但水产养殖过程中鱼类疾病易引起高死亡率与经济损失。传统的目标检测与实验室诊断方法在时效性、成本等方面存在不足,不满足一线场景的快速诊断与防控需求。本研究聚焦以机器视觉与轻量化智能为代表的“在场景侧完成诊断”的新范式:在网络带宽受限、算力与能耗受限的养殖环境中,常规大模型难以落地,亟需将推理前移至低功耗边缘设备,实现实时、低成本且数据更安全的疾病检测。TinyML(微型机器学习)的兴起为此提供了可行路径——通过在微控制器等资源受限设备上运行高效的轻量化模型,可不依赖云端完成就地感知推理,特别适合离岸或小型养殖场景的连续健康监测。
本研究主要创新如下:
(1)首次将轻量级目标检测模型YOLO11n与RISC-V微控制器深度耦合,完成“采集—推理—显示/回传”闭环,面向水下或透明观察箱两种作业模式实现免捕获、非接触式实时检测。
(2)装置集成太阳能/锂电混合供能与Wi-Fi/BLE 通信,具备离网自治运行能力,降低人工干预与网络依赖;整机采用防水舱体,适配复杂水产环境。
(3)在YOLO11n中系统引入深度可分离卷积、CIoU回归与FP16感知量化训练,在显著压缩参数与算力开销的同时,保持对小尺度、形态不规则病症的定位与分类能力。
(4)在自建数据集与实际边缘平台上完成端到端测试,模型体积、时延与精度取得均衡,验证了TinyML方案在养殖生产一线的可用性。
本研究构建了一套在端侧闭环运行的鱼类疾病快速检测装置,以SG2002 RISC-V 微控制器为核心,集成1 TOPS神经网络处理单元、双C906核与256MB DDR3内存;配套400 万像素GC4653彩色相机与2.3英寸电容触控屏,实现“采集—推理—显示—本地存储/无线回传”的一体化流程。系统置于防水舱体以适配潮湿、腐蚀性环境,同时支持“水下沉放”和“透明观察箱”两种作业模式如图2所示,并通过板载Wi-Fi/BLE完成远程数据传输与监控,TF卡用于本地数据管理与离线导出。
案例数据来源为在黄岛基地采集并标注大口鲈(诺卡氏菌病)图像共914张,按70%/15%/15%划分训练/验证/测试集,类别为“正常/患病”二分类,其中健康样本300 张、患病样本614张。
算法与软件流程可参见图3。系统启动时相机与微控协同初始化,图像以RGB565格式640×640输入规格进入DMA 预分配缓冲;若网络可用,则自动关联预设接入点以开启远程监控。随后,在实时操作系统管理下,摄取、预处理、神经网络推理、结果渲染与网络通信等线程并行运行:每个检测周期完成帧采集—双线性插值重采样—YOLO11n推理—目标框与标签叠加—结果本地显示/远端回传。部署模型采用剪枝与FP16 量化策略以降低时延与内存占用;训练阶段以640×640输入进行100 轮优化,采用SGD(以mAP50-95 为主指标),并引入L2 正则与检测头dropout提升泛化;与此同时,在YOLO11n 框架内系统性引入深度可分离卷积与CIoU 回归,以在资源受限条件下兼顾对小尺度病症的定位与鲁棒性。
在设备端上,单帧推理时延约40.7 ms、Flash 占用5 332 KB;与YOLO11s、YOLOv8n、YOLOv5n 的同平台对比显示,YOLO11n 在资源占用与时延上更具优势,同时达到0.736 的mAP50-95,实现良好的“精度—效率”折中。此外,功耗评估表明设备在推理/空闲/混合工况下的典型功耗分别约为1.82 W/0.67 W/1.05 W,支撑离网场景的长时自治运行。
四、研究结论
研究提出并验证了一套“TinyML + 微控制器+ 机器视觉”的鱼类疾病快速检测体系:在256 MB 内存与双核RISC-V 的资源约束下,通过结构化轻量化与量化训练,实现毫秒级端侧推理与稳定的检测精度(mAP50-95=0.736),显著降低对网络与实验室条件的依赖,适配小型与离岸养殖的连续监测与预警。 该系统整机成本低于100 美元,配备屏显与无线回传能力,具有低成本大范围推广应用的潜力。
未来团队将扩展多物种、多病原与多环境数据集,并引入多模态传感与光学补光,进一步提升鲁棒性与可泛化性,推动水产养殖向智能化、可持续方向演进。
祝贺王嘉亿,尹一涵,杨晋琪,朱霏雨等同学取得佳绩,同时感谢王洋教授的悉心指导。中国农业大学青年科学家创新团队(绿色能源与智慧农/渔业,CIEE)将继续支持和鼓励同学们发表高水平研究论文,发扬创新精神,在科研道路上不断进取,展现农大学子的青春风采。

