内容节选自：
李道亮,刘畅.人工智能在水产养殖中研究应用分析与未来展望[J].智慧农业(中英文),2020,2(3):1-20.
LI Daoliang, LIU Chang. Recent Advances and Future Outlook for Artificial Intelligence in Aquaculture[J]. Smart Agriculture, 2020, 2(3): 1-20.
基于人工智能技术的鱼类疾病预测与诊断
1.疾病预测
自1993年中国沿海养殖区大规模爆发对虾流行病以来，水产病害已成为影响中国水产品质量和安全的主要因素。传统人工直接检测鱼类、虾类等水生动物疾病方法存在耗时久、准确性差等弊端，引起的误诊、滞后诊断等问题已对水产养殖业造成了严重的直接或间接损失，难以满足现代化渔业发展的需求。随着现代科学的进步和智慧农业的发展，一些研究学者开始利用相应的推理手段和信息技术方法对水产动物疾病进行预测和诊断，辅助养殖人员以及相关部门做好防范和预警工作，防止疾病的大面积爆发，减少经济损失。
基于人工智能技术的鱼类疾病预测主要是利用水质监测结果，建立鱼类疾病预测模型，构建完善的鱼类疾病预测系统。Li等利用支持向量机的方法构建了温度、溶解氧、化学需氧量等水质因子与鱼病之间的关系模型，并开发了相关的预警系统和基于web的鱼类疾病在线预测系统。陈浩成等以养殖种类、养殖阶段、病原体、感染部位、水温、地域作为输入因素，将鱼类疾病种类作为输出单元，利用BP神经网络方法建立了池塘养殖疾病诊断模型，预测结果最大误差为0.3667，在误差允许范围之内。
目前鱼类疾病的预测研究较难，相关文献较少。由于鱼类疾病传播的不确定性，且影响因素众多，单一的预测模型无法考虑周全的情况。基于深度学习的模型需要以大量的历史数据为基础，由于受到数据源的限制，往往会导致预测结果不够准确。基于机器学习的模型预测方法中，应用BP神经网络可对多因素影响过程预测，但该网络目前在鱼类疾病的预测方面还未广泛应用，因此今后可以尝试建立多种BP神经网络模型对相应的鱼类疾病进行患病风险的预测，提早发现以减少经济损失。
2.疾病诊断
疾病发生时通常伴随着生物性状的改变，疾病作为可反映鱼体生命活动是否受扰乱的依据，可从鱼类的游动状况和颜色、纹理等表型性状，对鱼的病因做出初步判断。深入了解鱼类的病原、病因、发病机理和防治手段，能够有效控制鱼病的扩散，具有重要经济价值。
目前进行鱼病诊断常用的方法为基于模型诊断和基于案例推理、知识库比对诊断两种方法，其具体诊断流程如图1所示。首先从数据库中找到与发病症状类似的疾病类型，然后进一步进行结果比对，确定疾病类型后制定相应的治疗方案。集美大学水产学院在1997年首次研究并开发了鱼病专家诊断系统，开创了中国鱼类疾病诊断智能化平台建设先河。关于鱼病知识库的研究方面，温继文和傅泽田建立了具有全面性、可靠性和精确性的鱼病知识库，将鱼病诊断知识的获取工作分为问题识别阶段、概念化阶段、形式化阶段和知识实现阶段、知识测试阶段，并形成了统一的认识和规范。案例推理是对出现的疾病状态进行分析，与案例库中已经确诊的案例进行比对，确定鱼病种类。在2000年，Hori等将鱼病诊断的推理知识构造分为3层，有效地解决了鱼病诊断的灵活性问题，减少了巨大搜索空间的负担，并为进一步知识建模及系统快速有效推理打下了基础。郭永洪和傅泽田对水产养殖中鱼病诊断的具体内容和特征进行分析，提出了将案例知识与规则相结合的方法，有效地解决了鱼病诊断时效性差的问题，并提高了系统的运行效率。除此之外，基于模型诊断和数据驱动的诊断方法已逐步应用，基于这两种方式的人工智能技术在使用时通常利用传感器、物联网等设备对鱼类个体参数进行采集，计算机再根据这些参数判断出鱼类个体是否发生疾病以及疾病的种类等。例如，Xu和Wu将粗糙集与神经网络紧密联系起来建立了高性能系统，该模型综合了粗糙集的强大提取能力和神经网络出色的分类能力，可实现对鱼类疾病快速、大规模诊断。
无论是模型诊断、案例推理还是诊断系统等方法，都是在鱼类个体表面发生了一定形状改变后进行的病害诊断，容易错过最佳治疗期，因此，对病害进行早期诊断极为重要。
单一的性状监测无法准确反映水产生物疾病状态。因此，综合分析生物多个表型性状，并建立复杂的诊断模型将为未来疾病类型的确定和治疗提供更多的可靠依据。但由于鱼类发病的周期时间以及发病种类都是不固定因素，且水产养殖环境中覆盖面积大、获得自然水环境下的病鱼图片困难较大、影响因素多、研究成本较高，因此，近年来大多采用生物病毒检测等方法进行鱼类疾病的诊断，但智能化程度较低。在今后的发展中，可将人工智能技术与病毒检测等方法结合使用，确保疾病判断的准确性和方法的适用性。
联系客服
