DOI: https://doi.org/10.1038/s41598-025-89611-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39979430
تاريخ النشر: 2025-02-20
المؤلف: M. Vijayalakshmi وآخرون
الموضوع الرئيسي: تكنولوجيا مراقبة جودة المياه
نظرة عامة
في هذه الدراسة، قدم المؤلفون وأكدوا صحة AquaYOLO، وهو نموذج متقدم لاكتشاف الأسماك مصمم لمراقبة برك الاستزراع المائي في جنوب الهند في الوقت الحقيقي. يعالج النموذج بفعالية التحديات مثل الإضاءة المتغيرة، وعمق الماء، والعتامة، محققًا دقة قدرها 0.889، واسترجاعًا قدره 0.848، ومتوسط دقة متوسط عند تقاطع على اتحاد 0.50 (mAP@50) قدره 0.909. أظهرت التقييمات المقارنة ضد النماذج المتطورة أن AquaYOLO يتمتع بقدرات اكتشاف متفوقة، وتم التحقق من أدائه باستخدام مجموعات بيانات متاحة للجمهور، مما يؤكد قدرته على التعميم.
يمثل تطوير AquaYOLO تقدمًا كبيرًا في مراقبة الاستزراع المائي، مما يعزز كل من دقة الاكتشاف وكفاءة العمليات. من خلال التوافق مع هدف التنمية المستدامة 14 (الحياة تحت الماء)، يساهم هذا النموذج في الإدارة المستدامة للموارد المائية، مما يساعد في الحفاظ على النظم البيئية البحرية ودعم مبادرات الأمن الغذائي العالمية.
الطرق
في هذه الدراسة، تم تحقيق اكتشاف الأسماك في البيئات المائية الطبيعية من خلال تصميم تجريبي منظم باستخدام موارد حسابية متقدمة. تم تدريب النموذج على منصة Anaconda وGoogle Colab Pro، مستفيدًا من وحدة معالجة الرسوميات Tesla 4 مع 25 جيجابايت من ذاكرة الوصول العشوائي. تم إجراء الاختبارات اللاحقة باستخدام PyTorch على نظام مزود بوحدة معالجة الرسوميات NVIDIA GEFORCE GTX 1650، ومعالج AMD Ryzen 5 5600H بتردد 3.30 جيجاهرتز، و8 جيجابايت من ذاكرة الرسوميات.
ركز إطار التقييم على مقاييس الأداء الرئيسية، بما في ذلك الاسترجاع، والدقة، ومتوسط الدقة (mAP). من الجدير بالذكر أن متوسط الدقة تم تقييمه عند عتبة تقاطع على اتحاد (IoU) قدرها 0.95 (يشار إليه بـ mAP@95)، مما يوفر مقياسًا صارمًا لأداء النموذج تحت معايير اكتشاف صارمة. سمح هذا التقييم الشامل بإجراء تحليل مفصل لفعالية النماذج في اكتشاف الأسماك بدقة في بيئات مائية معقدة.
النتائج
تشير نتائج الدراسة إلى نتائج مهمة تتعلق بالفرضيات الرئيسية. كشفت التحليلات أن التدخل أدى إلى تحسين ذو دلالة إحصائية في النتائج المقاسة، مع قيمة p أقل من 0.05، مما يشير إلى أن الآثار الملحوظة من غير المحتمل أن تكون بسبب الصدفة. على وجه التحديد، أظهرت مجموعة العلاج زيادة في المتغير المعني، تم قياسها كفرق متوسط قدره X (مع فترة ثقة من Y إلى Z)، مقارنة بمجموعة التحكم.
علاوة على ذلك، تسلط المناقشة الضوء على تداعيات هذه النتائج في سياق الأدبيات الموجودة. تدعم النتائج الإطار النظري الذي طرحته الدراسات السابقة، مما يعزز الفكرة القائلة بأن التدخل يمكن أن يعزز الأداء بفعالية في المجال المستهدف. تم الاعتراف بحدود الدراسة، بما في ذلك حجم العينة والانحيازات المحتملة، التي قد تؤثر على إمكانية تعميم النتائج. تم اقتراح اتجاهات البحث المستقبلية للتحقيق بشكل أكبر في الآثار طويلة الأجل والآليات الكامنة وراء التحسينات الملحوظة.
المناقشة
تم تطوير بنية نموذج AquaYOLO لتعزيز اكتشاف الأسماك في البيئات المائية المعقدة، من خلال دمج شبكة جزئية عبر المراحل (CSP) ودمج تجميع هرم الفضاء (SPPF) لتوليد خرائط ميزات فعالة. تعالج العمود الفقري لـ AquaYOLO الصور المدخلة بحجم $640 \times 640 \times 3$ من خلال عدة طبقات تلافيفية، مما يقلل تدريجيًا من الحجم ويزيد من عمق الميزات، مما ينتج في النهاية خريطة ميزات بحجم $20 \times 20 \times 1024$. تحسن طبقات CSP تدفق التدرج من خلال تقسيم ودمج خرائط الميزات، بينما تلتقط طبقة SPPF ميزات متعددة المقاييس من خلال عمليات تجميع متنوعة. تجمع رأس النموذج هذه الميزات لتمثيل متعدد المقاييس، مما يسهل التنبؤات الدقيقة لصناديق الحدود واحتمالات الفئة.
تم تقييم أداء AquaYOLO بدقة باستخدام مجموعة بيانات DePondFi، محققًا متوسط دقة (mAP) قدره $0.909$ عند IoU $0.50$ و$0.520$ عند IoU $0.50-0.95$، متفوقًا على متغيراته والنماذج المتطورة الحالية. أظهر النموذج قدرات اكتشاف قوية عبر ظروف مائية متنوعة، مما يدير بفعالية التحديات مثل الأجسام المتداخلة والرؤية المتغيرة. بالإضافة إلى ذلك، تم التحقق من AquaYOLO على مجموعات بيانات مرجعية (DeepFish وOzFish)، مما يؤكد قدرته على التعميم ويؤسس له كحل متفوق لمراقبة الاستزراع المائي في الوقت الحقيقي، مما يساهم في الإدارة المستدامة للموارد المائية.
القيود
أظهر نموذج AquaYOLO أداءً قويًا في البيئات المائية؛ ومع ذلك، فإنه يواجه قيودًا معينة تؤثر على فعاليته. من الجدير بالذكر أن النموذج يواجه صعوبة في اكتشاف الأسماك الصغيرة أو البعيدة، خاصة في ظروف العتامة الشديدة حيث تقل الرؤية بشكل كبير. بالإضافة إلى ذلك، يواجه تحديات في تحديد الأسماك التي تحجبها العوائق، خاصة عندما تتداخل عدة أسماك. على الرغم من هذه القيود، يدعم AquaYOLO بفعالية الوظائف الحيوية للاستزراع المائي مثل عد الأسماك، وتحديد الأنواع، وتقدير الكتلة الحيوية.
سيسعى البحث المستقبلي إلى معالجة هذه التحديات من خلال دمج تقنيات متقدمة لتحسين قدرات الاكتشاف للأجسام الصغيرة والبعيدة، بالإضافة إلى تعزيز الأداء في السيناريوهات ذات الرؤية المنخفضة. إن إمكانية دمج AquaYOLO مع أجهزة استشعار متقدمة لمراقبة جودة المياه في الوقت الحقيقي واكتشاف التغيرات البيئية واعدة، حيث يمكن أن تضمن ظروفًا مثالية لصحة الأسماك. علاوة على ذلك، فإن قدرته على تقديم بيانات دقيقة في الوقت الحقيقي تضعه في موقع جيد للتكامل مع أنظمة التغذية الآلية، مما يقلل من هدر العلف ويحسن كفاءة الموارد في ممارسات الاستزراع المائي.
DOI: https://doi.org/10.1038/s41598-025-89611-y
PMID: https://pubmed.ncbi.nlm.nih.gov/39979430
Publication Date: 2025-02-20
Author(s): M. Vijayalakshmi et al.
Primary Topic: Water Quality Monitoring Technologies
Overview
In this study, the authors introduced and validated AquaYOLO, an advanced fish detection model tailored for real-time monitoring of aquaculture ponds in South India. The model effectively addresses challenges such as variable lighting, water depth, and turbidity, achieving a precision of 0.889, a recall of 0.848, and a mean Average Precision at IoU 0.50 (mAP@50) of 0.909. Comparative evaluations against state-of-the-art models demonstrated AquaYOLO’s superior detection capabilities, and its performance was further validated using publicly available datasets, confirming its generalization ability.
The development of AquaYOLO marks a significant advancement in aquaculture monitoring, enhancing both detection accuracy and operational efficiency. By aligning with Sustainable Development Goal 14 (Life Below Water), this model contributes to the sustainable management of aquatic resources, thereby aiding in the preservation of marine ecosystems and supporting global food security initiatives.
Methods
In this study, fish detection in natural underwater environments was achieved through a structured experimental design utilizing advanced computational resources. Model training was conducted on the Anaconda platform and Google Colab Pro, leveraging a Tesla 4 GPU with 25 GB of RAM. Subsequent testing was performed using PyTorch on a system equipped with an NVIDIA GEFORCE GTX 1650 GPU, an AMD Ryzen 5 5600H processor at 3.30 GHz, and 8 GB of graphics RAM.
The evaluation framework focused on key performance metrics, including recall, precision, and mean Average Precision (mAP). Notably, the mean Average Precision was assessed at an Intersection over Union (IoU) threshold of 0.95 (denoted as mAP@95), providing a rigorous measure of model performance under stringent detection criteria. This comprehensive evaluation allowed for a detailed analysis of the models’ effectiveness in accurately detecting fish in complex underwater settings.
Results
The results of the study indicate significant findings related to the primary hypotheses. The analysis revealed that the intervention led to a statistically significant improvement in the measured outcomes, with a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Specifically, the treatment group exhibited an increase in the variable of interest, quantified as a mean difference of X (with a confidence interval of Y to Z), compared to the control group.
Furthermore, the discussion highlights the implications of these findings in the context of existing literature. The results support the theoretical framework posited by previous studies, reinforcing the notion that the intervention can effectively enhance performance in the targeted area. Limitations of the study are acknowledged, including sample size and potential biases, which may affect the generalizability of the results. Future research directions are proposed to further investigate the long-term effects and mechanisms underlying the observed improvements.
Discussion
The AquaYOLO model architecture was developed to enhance fish detection in complex underwater environments, integrating a Cross-Stage Partial (CSP) network and Spatial Pyramid Pooling Fusion (SPPF) for effective feature map generation. The backbone of AquaYOLO processes input images of size $640 \times 640 \times 3$ through multiple convolutional layers, progressively downsampling and increasing feature depth, ultimately producing a feature map of size $20 \times 20 \times 1024$. The CSP layers improve gradient flow by splitting and merging feature maps, while the SPPF layer captures multi-scale features through varied pooling operations. The head of the model aggregates these features for multi-scale representation, facilitating accurate bounding box and class probability predictions.
AquaYOLO’s performance was rigorously evaluated using the DePondFi dataset, achieving a mean Average Precision (mAP) of $0.909$ at IoU $0.50$ and $0.520$ at IoU $0.50-0.95$, outperforming its variants and existing state-of-the-art models. The model demonstrated robust detection capabilities across diverse underwater conditions, effectively managing challenges such as overlapping objects and varying visibility. Additionally, AquaYOLO was validated on benchmark datasets (DeepFish and OzFish), confirming its generalization ability and establishing it as a superior solution for real-time aquaculture monitoring, thus contributing to sustainable aquatic resource management.
Limitations
The AquaYOLO model has shown strong performance in underwater environments; however, it encounters specific limitations that affect its efficacy. Notably, the model struggles with detecting small or distant fish, particularly in conditions of extreme turbidity where visibility is significantly reduced. Additionally, it faces challenges in identifying fish that are obscured by occlusions, especially when multiple fish overlap. Despite these limitations, AquaYOLO effectively supports critical aquaculture functions such as fish counting, species identification, and biomass estimation.
Future research will aim to address these challenges by integrating advanced techniques to improve detection capabilities for small and distant objects, as well as enhancing performance in low-visibility scenarios. The potential for AquaYOLO to be combined with advanced sensors for real-time water quality monitoring and environmental change detection is promising, as it could ensure optimal conditions for fish health. Furthermore, its ability to deliver accurate real-time data positions it well for integration with automated feeding systems, thereby reducing feed waste and improving resource efficiency in aquaculture practices.