CN115797844A - 一种基于神经网络的鱼体鱼病检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于神经网络的鱼体鱼病检测方法及系统，属于鱼类养殖技术领域。该方法包括：采集鱼体鱼病图像数据和视频数据；构建改进的YOLO v4网络模型，包括加入通道注意力机制优化特征提取模块；引入GELU激活函数；以及使用深度可分离卷积改进特征融合模块；使用鱼体鱼病数据对改进的YOLO v4网络模型进行训练及验证，获取最优模型；将实时采集的鱼类视频数据导入最优模型进行养殖中的鱼病监测与预警。本发明在保留图像细节特征的基础上提高了目标检测的效率，对于水下场景中物体产生的遮挡和相似鱼病具有更好的检测效果。本发明大幅降低了了养殖环境下监测的人力成本和工作人员的素质要求，有效推动智慧渔业的发展。

Description

一种基于神经网络的鱼体鱼病检测方法及系统

技术领域

本发明涉及鱼类养殖技术领域，特别涉及一种基于神经网络的鱼体鱼病检测方法及系统。

背景技术

水产养殖是全球粮食生产中高蛋白资源增长最快的部门，被认为是满足日益增长的粮食需求的最有效和可持续的方法，有助于世界范围内的经济发展和社会稳定。全球水产养殖产量达到1.145亿吨，其中鱼类，如鳍鱼、贝类和甲壳类的产量为8210万吨(《2020年世界渔业和水产养殖状况》)。

高质量和绿色水产品的供应以及农场饲养的水生生物的福利是政策制定者、非政府组织、水产养殖业和消费者极为关注的问题。然而，疾病极大地导致了海鲜质量的退化和集约化水产养殖中鱼类福利的减少，很可能是造成鱼类大规模死亡的原因，并在一定程度上影响了世界范围内的经济和社会发展。皮肤病被认为是影响许多水产养殖物种可持续增长的主要问题，如大西洋鲑鱼、红带海鲷。

传统的鱼病监测主要依赖人工，判断不同的鱼病需要该领域专家的专业知识，鱼类快速的移动也增加了人为检测的难度。因此为了提升检测的准确性和高效性，急需开发一种基于计算机网络的鱼类跟踪、鱼病识别技术，来降低人力物力成本。

发明内容

针对现有技术的缺陷，本发明基于图像识别技术，通过深度学习网络进行目标检测与识别，显著提高了实际深远海网箱养殖场景中鱼病检测的检测效率和识别准确性。实现了高效且轻便的养殖鱼病防治，本发明可广泛应用于智慧牧场鱼病的实时监测。

为了达到上述目的，本发明提供了一种基于神经网络的鱼体鱼病检测方法，包括如下步骤：

(1)采集鱼体鱼病图像数据和视频数据，并对所述鱼体鱼病数据进行预处理；

(2)构建改进的YOLO v4网络模型，包括加入通道注意力机制，优化特征提取模块；引入GELU激活函数；以及使用深度可分离卷积改进特征融合模块；

(3)使用预处理后的所述鱼体鱼病数据对所述改进的YOLO v4网络模型进行训练及验证，获取最优的所述改进的YOLO v4网络模型；

(4)将实时采集的鱼类视频数据导入最优的所述改进的YOLO v4网络模型进行养殖中的鱼病监测与预警。

进一步的，所述对所述鱼体鱼病数据进行预处理包括：

(1.1)通过视频切割将获取到的所述鱼体鱼病视频数据切割为图像数据，与所述鱼体鱼病图像数据一起通过裁减和填补的方式将图像像素处理到416×416，得到数据集图像；

(1.2)根据鱼体鱼病的特征对所述数据集图像进行筛选和分类，获取鱼体鱼病病害的类别；

(1.3)根据分类的结果对所述数据集图像使用LabelImg进行标注；

(1.4)将所述数据集图像按照8:1:1的比例分为训练集、验证集和测试集；

(1.5)将训练集中的图像通过调整图像的尺寸、亮度、高斯模糊度、水平翻转、从-10°至10°的图像旋转进行数据增强；

(1.6)使用Mosaic数据增强方法将步骤(1.5)处理后的图像数据进一步增强；

(1.7)使用步骤(1.6)中增强后的所述训练集与所述验证集训练所述改进的YOLOv4网络模型。

进一步的，所述Mosaic数据增强方法包括：每次从所述训练集图像中随机取出4张图片，依次以一个随机位置的十字线裁剪，取对应的部分进行拼接，合成为新图片。

进一步的，所述加入通道注意力机制优化特征提取模块包括：使用由BatchNorm和基于通道注意力机制构成的MoblieNet v3特征提取模块替换YOLO v4原特征提取模块，提升YOLO v4网络对于鱼类的特征提取能力。

进一步的，所述引入GELU激活函数包括：将YOLO v4网络使用的Mish激活函数和特征提取模块中的ReLU激活函数替换为GELU激活函数，所述GELU激活函数的公式为：

式中，x表示由特征提取模块提取到的鱼体鱼病特征信息。

进一步的，所述使用深度可分离卷积改进特征融合模块是指使用所述深度可分离卷积替换YOLO v4网络中的5×5卷积核；所述深度可分离卷积通过将原始卷积的卷积核叠加过程分离，先通过3×3卷积将每个输入通道的特征图进行逐通道卷积，通道和卷积核一一对应，再通过1×1输入通道的卷积块对上个卷积核的结果进行逐点卷积将输出的特征图叠加为一个输出特征图，最后根据输出通道数增加1×1卷积核数量得到符合输出通道数的特征图。

进一步的，对所述改进的YOLO v4网络模型进行训练及验证包括：

(3.1)使用公开数据集VOC2007预训练由BatchNorm和基于通道注意力机制构成的MoblieNet v3特征提取模块，获得所述改进YOLO v4网络模型中特征提取网络的初始权重；

(3.2)利用所述训练集图像对所述改进YOLO v4网络模型进行多次迭代训练；

(3.3)利用所述验证集图像在多次迭代训练中验证所述改进YOLO v4网络模型，利用前项传递更新所述改进YOLO v4网络模型参数及权重，并将对应权重存储；

(3.4)将步骤(3.3)中存储的多组权重分别载入所述改进的YOLO v4网络模型，利用所述改进的YOLO v4网络模型的预测模块对所述测试集预测效果进行比较，选取最优评估指标所对应的权重，进而得到最优的所述改进YOLO v4网络模型。

进一步的，所述评估指标具体包括：鱼体鱼病检测的准确率、对鱼类目标检测框的位置准确度和对鱼体鱼病检测的检测速度。

本发明还提供了一种基于神经网络的鱼体鱼病检测系统，包括：检测端、云服务器和用户端；

所述检测端用于采集鱼类视频数据，并根据所述云服务器输出的最优的改进的YOLO v4网络模型权重实现实时检测，显示鱼体鱼病的检测结果，并将检测结果实时发送给用户端；

所述云服务器用于通过采集鱼体鱼病图像数据和视频数据训练更新改进的YOLOv4网络模型权重，并将最优权重发给所述检测端；

所述用户端用于接收检测端检测结果，并显示鱼体鱼病预警及防治策略。

本发明的有益效果：

1.本发明使用由BatchNorm和基于通道的注意力机制构成的MoblieNet v3特征提取模块替换YOLO v4原特征提取模块，提高了特征提取模块的种内分类能力，提高了鱼病识别的准确率。

2.本发明将特征提取模块和特征融合模块中的Mish激活函数和部分Relu激活函数替换为GELU激活函数，减少在网络深度扩展下的激活函数拟合时的精度损失；同时降低网络参数量，提高了轻量化部署能力。

3.本发明在特征提取模块和特征融合模块进行优化相较于YOLO v4模型我们的提出的网络模型参数量减少了82.24％，mAP达到了99.70％比原始网络提高了26.99％，检测速度达到39.62FPS比原始网络提高了19.31FPS。该网络在原有模型的技术上增强了种内分类能力，在轻量化部署、网络学习能力、检测准确率和检测速度上都有显著的优势。

附图说明

图1为本发明实施例基于神经网络的鱼体鱼病检测方法的流程示意图。

图2为本发明实施例神经网络的特征提取模块MobileNet v3的Bottleneck模块结构图。

图3为本发明实施例神经网络的特征提取模块MobileNet v3结构示意图。

图4为本发明实施例神经网络的网络结构示意图。

图5为本发明实施例不同的YOLO v4模型训练在50轮次结束后的鱼体鱼病平均精度图。

图6为本发明实施例不同的YOLO v4模型训练在50轮次结束后的鱼体鱼病分类损失率图。

图7为本发明实施例基于神经网络的的鱼体鱼病检测系统的结构示意图。

具体实施方式

下面将结合本发明实例中的附图，对本发明实施例中的技术方案进行清楚、完备地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例。本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1-6所述，本发明实施例提供了一种基于神经网络的的鱼体鱼病检测方法，包括以下步骤：

S101、获取鱼体鱼病图像数据和视频数据，并对所述鱼体鱼病数据进行预处理；

本实施例中的图像数据主要来自网络，使用网络爬虫技术爬取的Google图片、百度图片、Bing图片等来源的所有研究相关图片；本研究所用的视频数据来自南海澎湖号远洋养殖网箱(珠海蜘洲岛养殖渔场)和来自黄海深蓝一号远洋养殖网箱(长岛县大钦岛海域)内，使用水下高清相机多机位拍摄鱼体鱼病样本，其中包含若干正常、相互遮挡的鱼群样本以提高YOLO v4在真实的养殖场景中的深度学习能力。

本实施例中的预处理过程主要包括：

(1)通过视频切割将获取到的鱼体鱼病视频数据切割为图像数据，与鱼体鱼病图像数据一起通过裁减和填补的方式将图像像素处理到416×416，得到数据集图像；

本步骤处理视频和图像数据为统一尺寸，方便后续筛选和处理。

(2)根据鱼体鱼病的特征对视频数据与图像数据进行筛选和分类，获取鱼体鱼病病害的类别；

本实施例主要是剔除像素模糊鱼体鱼病无法识别的图片，以提高本发明数据集的原始准确率；根据鱼病特征并参考专家指导和2010年版的《海水养殖鱼类疾病与防治手册》，将获取的鱼病图片分为出血病、水霉病、小瓜虫病、纤毛虫病、本尼登虫病五类；本步骤结合现有知识对初始数据集按照鱼病特征进行分类。

(3)根据分类的结果对数据集图像使用LabelImg进行标注；

本实施例中使用LabelImg可视化图像标注工具，对已完成分类的数据集采用YOLO格式进行标注，标注完毕将每张鱼病图与包含标注框和类别信息的txt文件一一对应，组成数据集。

(4)将数据集按照8:1:1的比例分为训练集、验证集和测试集；

(5)将训练集中的图像通过调整图像的尺寸、亮度、水平翻转、从-10°至10°的图像旋转进行数据增强；

本实施例中利用机器学习技术将标注好的训练集的图像与标注的txt文件一起变换，具体变换包括尺寸、亮度、水平翻转、从-10°至10°的图像旋转，对训练集图像进行扩充，扩充后每类鱼病图像在600张左右，共3172张图像。

(6)使用Mosaic数据增强方法将步骤(5)处理后的图像数据进一步增强；

为了进一步提高网络模型的鲁棒性，本实施例以代码的形式实现Mosaic数据增强的方法增强训练集，每次从中随机取出4张图片，进行随机位置的裁剪拼接，在裁剪拼接图片的时候，随机取得的4张图片依次以一个随机位置的十字线裁剪，取对应的部分进行拼接。同时，每个原图对应的目标框也会受十字线裁剪的限制，不会超过原图裁剪范围，将裁减后的四张图片合成为新图片。

(7)使用步骤(6)得到的增强后的所述训练集与所述验证集训练所述改进的YOLOv4网络模型。

S102、构建改进的YOLO v4网络模型，包括加入通道注意力机制，优化特征提取模块、引入GELU激活函数，以及使用深度可分离卷积改进特征融合模块；

针对YOLO v4网络模型的改进具体包括：

(1)YOLO v4原特征提取模块CSPDarknet特征提取模块，主要负责图片的初步特征提取，将三个不同尺寸的特征图输入到特征提取融合模块中。CSPDarknet是拥有72个卷积层的大型特征提取模块，网络层数多，参数量大。如图2所示，本发明采用由BatchNorm和基于通道的注意力机制构成的MoblieNet v3特征提取模块替换YOLO v4原CSPDarknet特征提取模块。

本实施例使用由BatchNorm和基于通道的注意力机制构成的MoblieNet v3特征提取模块，替换原特征提取模块CSPDarknet特征提取模块，该提取模块大量使用1×1卷积块和深度可分离卷积，在极大的减少了网络的参数量的，同时优化YOLO v4网络对于差异较小种内分辨的特征提取能力。

(2)将YOLO v4网络使用的Mish激活函数和部分ReLU激活函数替换为激活函数GELU激活函数，对YOLO v4网络模型进行优化，其中激活函数GELU的公式为：

式中，x表示由特征提取模块提取到的鱼体鱼病特征信息。

本实施例使用GELU激活函数，减小了网络中需要保存的参数量，GELU函数的使用在输出中直接对输出结果进行正态分布，对于每个卷积正则的输出结果更好的分布，在减少网络参数量的同时，提高了网络对于差异较小的种内分类的准确率。

(3)使用深度可分离卷积替换双向特征融合模块PANet中的5×5卷积核，对YOLOv4网络模型中的特征提取模块和特征融合模块进行优化。

如图4所示，深度可分离卷积块通过将原始卷积的卷积核叠加过程分离，先通过3x3卷积将每个输入通道的特征图进行逐通道卷积，通道和卷积核一一对应，再通过1x1输入通道的卷积块对上个卷积核的结果进行逐点卷积将特征图叠加为一个输出特征图，再根据输出通道数成倍的增加1x1卷积核数量，得到符合输出通道数的特征图。

当输入通道为X，输出通道为Y时，普通的3x3卷积将产生的参数量为：

X×3×3×Y＝9XY

当输入通道为X，输出通道为Y时，3x3深度可分离卷积将产生的参数量为：

X×3×3+1×1×3×Y＝9X+3Y

本实施例中，使用深度可分离卷积对YOLO v4网络中的双向特征融合模块PANet中的5×5卷积核，极大的减少了网络的参数量和运算量。

具体改进的YOLO v4网络模型流程如下：

如图4所示，将提取方法(1)中的MobileNet v3特征提取模块按照输出的特征图Out1(52×52×32)、输出的特征图Out2(26×26×96)、输出的特征图Out3(52×52×32)接入网络。其中Out1和Out2接入网络的双向特征融合模块PANet中，Out3接入网络的空间金字塔池化模块SPP中处理后接入网络的双向特征融合模块PANet中，进一步综合特征提取模块中提取的鱼病图像特征信息。

将进过双向特征融合模块PANet上下采样冲分特征融合的的结果特征图输入到YOLO v4的预测模块YOLO Head中，实现YOLO v4的检测与识别。

S103、使用预处理后的鱼体鱼病数据对改进的YOLO v4网络模型进行训练及验证，获取最优的YOLO v4网络模型；

训练改进的YOLO v4网络模型，具体包括：

(1)本发明基于迁移学习技术使用公开数据集VOC2007对BatchNorm和基于通道的注意力机制构成MoblieNet v3特征提取模块中的权重进行预训练，作为优化后的YOLO v4网络的特征提取网络初始权重，减小网络训练时因训练数据的变动而产生的误差，使网络的鲁棒性更好，方差更小。

(2)利用训练集图像对所述改进YOLO v4网络模型进行多次迭代训练；

利用训练集对改进YOLO v4网络模型进行50次和100次的迭代训练；

(3)利用所述验证集图像在多次迭代训练中验证改进的YOLO v4网络模型，利用前项传递更新所述改进YOLO v4网络模型参数及权重，并将对应权重存储；

利用验证集在多次迭代训练进行监督学习验证改进的YOLO v4网络识别准确性，及时利用前项传递更新优化后的YOLO v4网络的网络参数及权重和网络过拟合判断，实验结束后每次迭代的网络权重以文件的形式保存在网络文件夹中。

(4)将步骤(3)中存储的多组权重分别载入所述改进YOLO v4网络模型，利用改进的YOLO v4网络模型的预测模块对所述测试集预测效果进行比较，选取评估指标最优所对应的权重，进而得到最优的所述改进的YOLO v4网络模型。

本实施例中对测试集中鱼体鱼病图片和养殖实时监测视频进行预测效果比较分析，具体包括对鱼体鱼病检测的准确率、对鱼类目标检测框的位置准确度和对鱼体鱼病检测的检测速度。具体判定公式为：

鱼体鱼病检测的准确率判定公式：

其中T_P指True positives，即预测正确的个数；F_P指False positive，即预测错误的个数。

对鱼类目标检测框的位置准确度判定公式：

其中B_p指预测目标的边框，B_gt指实际目标的边框。

对鱼体鱼病检测的检测速度的判定依靠系统处理的FPS判定，即每秒处理的图片数。

本实施例中使用PyTorch平台上搭建优化的YOLO v4模型。本模型的训练在一台Windows服务器上，使用一块GeForce GTX1060(6g)显卡来完成。模型训练完全后，使用训练好的模型文件可在支持神经网络推断功能的硬件设备上或配置了CUDA的英伟达显卡的Windows PC端上完成监测识别任务。

S104、将实时采集的鱼类视频数据导入最优的所述改进的YOLO v4网络模型进行养殖中的鱼病监测与预警。

如图6所示，本发明的优化方案提高了网络的训练速度，改善了原始YOLO v4网络对于养殖环境下鱼体鱼病检测准确率较低的不足，显著降低了模型对GPU算力和内存的要求，进一步加强了网络的检测速度和精度，便于本网络的轻量化部署和养殖鱼类实时监测。

如图5、图6所示，经过实际网络训练和测试结果表明，本发明对于对于特征提取网络的渔业针对性优化在使用轻量化特征提取网络中加入更多的BatchNorm结构提高种内分类的准确性。与此同时在特征提取阶段，加入通道注意力机制模块，得到特征图各个像素点之间的联系，使网络可以更好地捕获图像上下文信息，进而在重建过程中能够更加精确地重建出弱纹理区域。基于通道注意力机制在弱纹理特征的鱼体鱼病中有针对性的解决优势。对于激活函数的渔业针对性优化主要指GELU激活函数的选择，GELU函数的使用在输出中直接对输出结果进行正态分布，对于鱼病的检测识别效果更好。与此同时相较于ReLU激活函数本发明使用的GELU激活函数少了一个参数量的存储过程，可能因为这个原因网络的参数量进一步减少，进而进一步提高了网络的检测速度。

本发明另一方面公开了一种基于神经网络的鱼体鱼病检测系统，包括检测端、云服务器和用户端。

如图7所示，检测端安置于养殖网箱中，用于采集鱼类视频数据，并根据云服务器输出的最优的改进的YOLO v4网络模型权重实现实时检测，显示鱼体鱼病的检测结果，并将检测结果实时发送给用户端。

云服务器用于通过采集鱼体鱼病图像数据和视频数据训练更新改进的YOLO v4网络模型权重，并将最优权重发给所述检测端。

用户端用于接收检测端检测结果，并显示鱼体鱼病预警及防治策略。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之问相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于神经网络的鱼体鱼病检测方法，其特征在于，包括如下步骤：

(1)采集鱼体鱼病图像数据和视频数据，并对所述鱼体鱼病数据进行预处理；

(2)构建改进的YOLO v4网络模型，包括加入通道注意力机制，优化特征提取模块；引入GELU激活函数；以及使用深度可分离卷积改进特征融合模块；

(3)使用预处理后的所述鱼体鱼病数据对所述改进的YOLO v4网络模型进行训练及验证，获取最优的所述改进的YOLO v4网络模型；

(4)将实时采集的鱼类视频数据导入最优的所述改进的YOLO v4网络模型进行养殖中的鱼病监测与预警。

2.根据权利要求1所述的基于神经网络的鱼体鱼病检测方法，其特征在于，所述对所述鱼体鱼病数据进行预处理包括：

(1.1)通过视频切割将获取到的所述鱼体鱼病视频数据切割为图像数据，与所述鱼体鱼病图像数据一起通过裁减和填补的方式将图像像素处理到416×416，得到数据集图像；

(1.2)根据鱼体鱼病的特征对所述数据集图像进行筛选和分类，获取鱼体鱼病病害的类别；

(1.3)根据分类的结果对所述数据集图像使用LabelImg进行标注；

(1.4)将所述数据集图像按照8:1:1的比例分为训练集、验证集和测试集；

(1.5)将训练集中的图像通过调整图像的尺寸、亮度、高斯模糊度、水平翻转、从-10°至10°的图像旋转进行数据增强；

(1.6)使用Mosaic数据增强方法将步骤(1.5)处理后的图像数据进一步增强；

(1.7)使用步骤(1.6)中增强后的所述训练集与所述验证集训练所述改进的YOLO v4网络模型。

3.根据权利要求2所述的基于神经网络的鱼体鱼病检测方法，其特征在于，所述Mosaic数据增强方法包括：每次从所述训练集图像中随机取出4张图片，依次以一个随机位置的十字线裁剪，取对应的部分进行拼接，合成为新图片。

4.根据权利要求1所述的基于神经网络的鱼体鱼病检测方法，其特征在于，所述加入通道注意力机制，优化特征提取模块包括：使用由BatchNorm和基于通道注意力机制构成的MoblieNet v3特征提取模块替换YOLO v4原特征提取模块，提升YOLO v4网络对于鱼类的特征提取能力。

5.根据权利要求1所述的基于神经网络的鱼体鱼病检测方法，其特征在于，所述引入GELU激活函数包括：将YOLO v4网络使用的Mish激活函数和特征提取模块中的ReLU激活函数替换为GELU激活函数，所述GELU激活函数的公式为：

式中，x表示由特征提取模块提取到的鱼体鱼病特征信息。

6.根据权利要求1所述的基于神经网络的鱼体鱼病检测方法，其特征在于：所述使用深度可分离卷积改进特征融合模块是指使用所述深度可分离卷积替换YOLO v4网络中的5×5卷积核；所述深度可分离卷积通过将原始卷积的卷积核叠加过程分离，先通过3×3卷积将每个输入通道的特征图进行逐通道卷积，通道和卷积核一一对应，再通过1×1输入通道的卷积块对上个卷积核的结果进行逐点卷积将输出的特征图叠加为一个输出特征图，最后根据输出通道数增加1×1卷积核数量得到符合输出通道数的特征图。

7.根据权利要求4所述的基于神经网络的鱼体鱼病检测方法，其特征在于，对所述改进的YOLO v4网络模型进行训练及验证包括：

(3.1)使用公开数据集VOC2007预训练由BatchNorm和基于通道注意力机制构成的MoblieNet v3特征提取模块，获得所述改进YOLO v4网络模型中特征提取网络的初始权重；

(3.2)利用所述训练集图像对所述改进YOLO v4网络模型进行多次迭代训练；

(3.3)利用所述验证集图像在多次迭代训练中验证所述改进YOLOv4网络模型，利用前项传递更新所述改进YOLO v4网络模型参数及权重，并将对应权重存储；

(3.4)将步骤(3.3)中存储的多组权重分别载入所述改进的YOLOv4网络模型，利用所述改进的YOLO v4网络模型的预测模块对所述测试集预测效果进行比较，选取最优评估指标所对应的权重，进而得到最优的所述改进YOLO v4网络模型。

8.根据权利要求7所述的基于神经网络的鱼体鱼病检测方法，其特征在于，所述评估指标具体包括：鱼体鱼病检测的准确率、对鱼类目标检测框的位置准确度和对鱼体鱼病检测的检测速度。

9.一种基于神经网络的鱼体鱼病检测系统，其特征在于，包括：检测端、云服务器和用户端；

所述检测端用于采集鱼类视频数据，并根据所述云服务器输出的最优的改进的YOLOv4网络模型权重实现实时检测，显示鱼体鱼病的检测结果，并将检测结果实时发送给所述用户端；

所述云服务器用于通过采集鱼体鱼病图像数据和视频数据训练更新改进的YOLO v4网络模型权重，并将最优权重发给所述检测端；所述用户端用于接收所述检测端检测结果，并显示鱼体鱼病预警及防治策略。

Images