Flatfish Disease Detection Based on Part Segmentation Approach and Disease Image Generation

这种扁鱼是全球消费量大的一种主要养殖物种。然而，由于养殖环境密集，扁鱼容易受到伤害和疾病的影响，因此早期疾病检测至关重要。传统上，通过目视检查来检测疾病，但观察大量鱼类是具有挑战性的。基于深度学习技术的自动化方法已被广泛使用来解决这个问题，但由于鱼类的多样性和缺乏鱼类疾病数据集，准确的检测仍然很困难。在这项研究中，使用生成对抗网络和图像协调方法增强鱼类疾病图像。接下来，针对三个身体部位（头部、鳍和身体）分别训练疾病检测器以适当地处理个体疾病。此外，创建了一个名为FlatIMG的扁鱼疾病图像数据集，并使用所提出的方法验证了该数据集。还测试了一组闪光鲑鱼疾病数据集，以验证所提出方法的普适性。结果比基线框架高出12％。这项研究是首次尝试创建大规模的扁鱼疾病图像数据集并提出有效的疾病检测框架。基于所提出的方法和数据集，可以在养殖环境中实现自动疾病监测。

论文旨在解决养殖环境中的比目鱼易感疾病的自动检测问题，通过生成对抗网络和图像协调方法增强图像，针对不同部位（头部、鳍、身体）训练独立的疾病检测器，创建了一个名为FlatIMG的比目鱼疾病图像数据集。

通过生成对抗网络和图像协调方法增强图像，针对不同部位训练独立的疾病检测器，创建了一个比目鱼疾病图像数据集，实现了自动化疾病监测。

论文是第一篇尝试创建大规模比目鱼疾病图像数据集并提出有效疾病检测框架的研究。实验结果表明，提出的方法和数据集能够实现比目鱼疾病的自动检测，且在基准框架上表现出12％的性能提升。

近年来，使用深度学习技术进行自动疾病检测的研究已经广泛开展。例如，使用卷积神经网络（CNN）进行自动检测。此外，还有一些研究使用生成对抗网络（GAN）来增强图像。