【智慧渔业】2026面向工厂化养殖的AI鱼类病害识别与预警平台设计方案

面向工厂化养殖的AI鱼类病害识别与预警平台设计

目录TOC\o"1-3"\h\z79621.项目概述与目标 614941.1项目背景：工厂化养殖病害频发与经济损失 9189091.2项目定位：生产环境下的实用型AI预警系统 12266941.3平台核心目标：早发现、准诊断、快预警、减损失 1551201.4项目范围与边界（不包含育种、饲料配方优化等非病害业务） 18267912.系统总体架构设计 22238402.1感知层：多源数据采集终端布局 27313852.2传输层：养殖车间有线/无线混合组网方案 31314752.3平台层：边缘计算节点与云端服务器协同 36213182.4应用层：养殖管理端、预警大屏、移动小程序 39212732.5数据安全与权限管理机制 44149493.数据采集与治理方案 4832363.1水质参数采集：溶解氧、pH、氨氮、亚硝酸盐、温度等传感器选型与布点 5220943.2视觉数据采集：水下摄像机与水面摄像机安装规范 57242353.3行为与摄食数据：投饵机联动、运动轨迹采集 63245993.4历史病害记录：养殖日志电子化录入及结构化处理 66278063.5数据清洗与标准化流程（异常值剔除、缺失值补全、时间对齐） 71302914.鱼类病害识别模型构建与部署 75261824.1病害特征库建设：常见工厂化养殖鱼类病害（水霉病、烂鳃病、肠炎病、寄生虫病等）图像及症状标注规范 81241684.2计算机视觉识别模型：基于YOLO/ResNet的病灶检测与鱼体表异常识别 9042284.3行为异常识别模型：游动迟缓、离群、浮头、擦底等行为特征提取 9449524.4水质异常关联分析：基于随机森林或XGBoost的病害诱发因子预警模型 100177474.5模型融合与决策逻辑：多信号综合判断病害概率 105118254.6模型部署方式：边缘侧轻量化模型（TensorRT/OpenVINO）与云端复杂模型协同 110114185.病害预警机制与分级推送 11397295.1预警等级定义：蓝（关注）、黄（警告）、橙（严重）、红（紧急） 117155705.2预警触发规则：单指标超限、多指标联动、模型置信度阈值 12232005.3预警消息推送渠道：短信、微信小程序、车间声光报警器、中控大屏弹窗 126188235.4预警响应流程：自动停机、增氧机联动、投饵暂停等自动控制预案 13153555.5人工复核与误报反馈修正机制 134223376.平台核心功能模块设计 139242996.1实时监控看板：养殖池分组视图、水温/溶氧/鱼群状态动态刷新 145264586.2病害诊断中心：上传图片/视频，AI辅助诊断并给出处置建议 14834516.3预警事件管理：历史预警记录查询、处理状态跟踪、闭环管理 154173446.4养殖日志电子化：自动记录水质数据、投饵量、用药记录 159128366.5报表统计与趋势分析：发病率、治愈率、预警准确率等KPI统计 164209386.6知识库与用药建议库：常见病害处理方案、合规药物清单 16759087.部署实施与运维保障 173277647.1工厂化养殖车间改造清单：摄像头、传感器、网络布线、控制柜安装 17917427.2系统部署步骤：设备安装→网络调试→模型初始化→试运行→正式上线 18524987.2.1设备安装 186262537.2.2网络调试 187194977.2.3模型初始化 188247197.2.4试运行 189266537.2.5正式上线 19015067.3养殖场人员培训：操作员培训、技术员培训、管理者培训 192182357.4日常运维规范：传感器校准周期、摄像头清洁保养、模型定期更新 19519303传感器校准周期 19623982摄像头清洁保养 1989257模型定期更新 1992998运维巡检制度与人员要求 203192647.5故障应急预案：设备断联、算法失效、误报风暴处理措施 204298278.实际应用效果评估与持续优化 20786488.1试点养殖场选择标准与基线数据调查 213155488.2评价指标体系：预警准确率、漏报率、平均响应时间、产量损失率 217270788.3模型迭代机制：新样本持续标注、定期重新训练与A/B测试 223303148.4用户反馈循环：养殖员建议收集与功能优先级调整 229114948.5成本效益分析：硬件投入、运维成本与减少死亡损失的经济性测算 234279439.安全合规与风险控制 237221369.1数据隐私与合规：养殖场数据归属、脱敏处理、备份策略 243237339.2系统可靠性设计：双路供电、数据断网续传、边缘缓存机制 2495439.3自动控制安全保护：与增氧机、投饵机联动时的急停与手动旁路 252116329.4兽药使用合规性：预警信息中用药建议不触及处方药违规推荐 257197119.5应急预案演练与事故复盘流程 2612796310.项目实施方案与里程碑 266959610.1项目团队组织架构与职责分工 2701249610.2实施阶段划分：需求调研、设备采购、系统开发、试点部署、验收推广 2731375910.3里程碑节点与交付物定义 2801039910.4预算构成与资金使用计划 2831014610.5风险清单与应对措施（工期风险、设备兼容性、模型准确率不足等） 287

1.项目概述与目标工厂化养殖以高密度、集约化为特征，单位水体生物量大，环境因子（溶氧、温度、pH、氨氮等）可人为调控，但病害传播速度快、防控窗口期短，一旦爆发往往造成重大经济损失。传统的人工巡检依赖养殖人员肉眼观察，存在频率低、主观性强、难以察觉早期轻微症状等局限，尤其对体表细微出血、鳍条溃烂、鳃丝异常等初期病变，人工识别能力极为有限。同时，养殖池内水体浑浊、光照变化、鱼群重叠游动等因素进一步干扰人工观测，导致病害发现滞后，常常错过了隔离与干预的最佳时机。因此，亟需一套能够替代人工持续值守、自动识别异常并提前预警的智能化平台，将病害防控从事后被动治疗转变为事前主动预防。本平台面向工厂化养殖场景，设计一套融合水下视觉感知、物联网环境监测、深度学习识别算法与分级预警机制的AI鱼类病害识别与预警系统。平台通过部署在养殖池内的水下高清摄像机和多参数水质传感器，实时采集鱼只体表图像、游动行为视频及水体关键指标；在边缘计算单元上运行轻量化目标检测与图像分类模型，对鱼只个体进行检测、跟踪和症状分类；同时，将水质数据与环境胁迫因子（如低溶氧、高温、高氨氮）关联分析，综合判断病害发生风险等级。平台与养殖车间的自动投喂系统、循环水控制系统、增氧设备控制接口对接，当识别到疑似病害个体或水质异常时，可自动触发报警，并向养殖管理人员发送包含位置、图像、症状描述与处理建议的预警信息。系统支持多池组网监测，中心服务器负责模型更新、数据存储与报表生成，边缘端与中心端通过养殖场局域网或云服务协同工作，既保证实时性，又降低网络依赖。项目总体目标围绕“早发现、准识别、快预警、可决策”四个核心要求展开，具体可量化的技术指标与功能指标如下：覆盖工厂化养殖中常见病毒性、细菌性、真菌性及寄生虫性病害共不少于10种，包括虹彩病毒病、烂鳃病、赤皮病、水霉病、指环虫感染等，典型病害识别准确率不低于95%，误报率不高于5%。实现病鱼行为异常（如离群独游、游动失衡、摄食减少、蹭壁等）的自动检测，行为异常识别灵敏度不低于90%，且能在个体症状出现前24小时发出预警。水质异常联动预警响应时间小于30秒，溶氧、氨氮、温度等关键参数超阈值时，系统自动触发环境预警并关联疾病风险评估。每路摄像头的图像处理帧率不低于10FPS，单池监测周期不超过3秒，可支持不少于50个养殖池并发监测。预警信息推送至手机APP、管理大屏、短信平台等多终端，包含病种名称、置信度、所在池号、诊断截图与处置建议，处置建议支持从历史病例库中匹配生成。为明确平台适用范围与性能指标，下表中列出了首批重点识别的病害类型、主要视觉可见症状、相关水质诱因及预期识别精度，作为系统设计的基础依据。病害类型主要视觉症状典型行为特征相关水质因子识别精度目标虹彩病毒病体表出血、鳃盖发红、眼球突出游动缓慢、集群沉底水温升高、溶氧偏低≥96%烂鳃病鳃丝腐烂缺损、黏液增多浮头、呼吸急促氨氮升高、pH偏低≥95%赤皮病体表局部充血、鳞片脱落磨蹭池壁、焦躁不安水温突变、有机物高≥94%水霉病体表出现白色棉絮状菌丝活力下降、靠边静止水温低、机械损伤≥93%指环虫感染鳃盖张开、鳃丝苍白狂游、跳跃打转氨氮超标、溶氧波动≥92%链球菌病眼浑浊、腹水、鳍条出血打转、离群高水温、残饵堆积≥96%平台在技术实现上采用“端—边—云”协同架构。感知端由水下星光级摄像头、多参数水质传感器和自动光谱补光模块组成，保证低照度浑浊水体中图像清晰度；边缘端部署经过模型剪枝和量化压缩的深度学习目标检测器（如改进的YOLOv8-tiny）与分类网络（如轻量化ResNet18），对视频流进行实时推理，并利用跟踪算法对单个鱼体进行轨迹关联，提取行为序列特征；云端使用养殖历史数据持续优化模型，并建立病害知识图谱，将识别结果、水质数据、投饵记录、温控操作等关联起来，形成可回溯的预警与决策日志。在项目落地过程中，平台首先在实验车间进行小规模布设，采集工厂化养殖环境下的真实鱼群图像数据，由水产病理专家进行标注，训练初版模型；随后在2至3个不同养殖品种（如大口黑鲈、卵形鲳鲹、南美白对虾暂不涉及）的池塘循环水车间中开展试点运行，根据现场反馈调整摄像头安装角度、识别算法阈值及预警规则；最终推广至多栋养殖车间，实现与既有养殖管理系统的无缝集成。通过本平台的建设，养殖企业可显著减少因病害造成的死亡率与药费支出，预期将工厂化养殖的病害发现时间从人工巡检的约48小时缩短至24小时以内，整体存活率提升10至15个百分点。同时，平台积累的图像与水质数据能够形成养殖生产知识库，为品种选育、饲料配方优化、环境调控策略改进提供数据支撑。项目完成后，将形成一套标准化、可复制的AI病害识别与预警解决方案，推动工厂化养殖向少人化、数据化、智能化方向发展，具有明确的应用前景与经济效益。1.1项目背景：工厂化养殖病害频发与经济损失工厂化养殖模式凭借高密度、集约化和环境可控等优势，已成为我国水产与畜牧养殖业的重要发展方向。然而，高密度养殖在提升单位产量的同时，也显著改变了病害的传播动力学与暴发特征。据农业农村部全国水产技术推广总站统计，2020—2023年我国水产养殖因病害造成的直接经济损失年均超过300亿元，其中工厂化循环水养殖与高密度池塘养殖的病害损失占比逐年上升，部分规模化养殖企业单次病害暴发的损失可达年产值的20%～40%。以对虾工厂化养殖为例，白斑综合征、急性肝胰腺坏死病等病毒的传播速度在封闭循环水系统中较传统池塘快3～5倍，一旦出现感染，48小时内死亡率可超过70%。在陆基循环水养殖鲑鳟鱼类时，水霉病、传染性造血器官坏死病等常见病害的暴发频率亦随养殖密度增加而显著上升，据中国渔业统计年鉴数据，工厂化养殖模式的病害发生率平均比半开放模式高出约1.8倍。病害频发并非单一病原所致，而是多重风险因素叠加的结果。具体而言，工厂化养殖环境中的关键致因包括：高密度应激与免疫抑制：养殖密度常达传统模式的5～10倍，高氨氮、高亚硝酸盐及溶氧波动导致养殖对象长期处于应激状态，机体非特异性免疫机能下降，潜伏病原被激活。循环水系统的病原富集：封闭水循环中，消毒不彻底的残留病原体随水流快速扩散至全部养殖单元，生物滤膜若管理不当还可能成为病原微生物的温床，形成“一池发病，全厂传播”的恶性局面。早期症状隐匿与诊断滞后：工厂化养殖水体浑浊度高、观察视角受限，早期死亡个体常被残饵或同类吞食，肉眼巡检难以发现细微异常。传统病害诊断依赖实验室培养与PCR检测，通常需要6～24小时才能获得结果，而多数急性病害在症状出现后3～6小时内即可造成不可逆的批量死亡。环境调控依赖人工经验：水温、溶氧、pH等关键参数虽已接入自动化控制系统，但针对病害风险的联动预警仍缺失，多数企业仅在出现明显死亡后才启动应急措施，错失最佳干预窗口。上述因素共同导致工厂化养殖病害呈现“突发性强、传播快、控制难”的特征，经济损失不仅来自直接死亡，还包括治疗药物成本、减产损失、水体更换与消毒停产的间接费用。以一座年产量200吨的循环水养殖基地为例，若发生一次中等规模细菌性病害，直接死鱼损失约80万元，加上用药、停工、补苗等费用，总损失可超200万元，约占该基地年利润的30%～50%。对于中小型养殖企业而言，一次严重的病害暴发便足以导致资金链断裂，甚至退出经营。传统事后被动应对模式已难以满足工厂化养殖的风险管理需求。当前实际生产中，多数病害预警依赖人工巡池和定期抽检，数据割裂、时效性差，无法实现从“发现死亡”到“预判风险”的转变。因此，设计一套面向工厂化养殖场景的AI鱼类病害识别与预警平台，通过机器视觉、环境传感与历史疫病数据融合，实现病害早期迹象的自动识别、风险等级的动态评估和预警信息的精准推送，具有迫切的市场需求与显著的降损价值。该平台直接嵌入现有养殖流程，在不改变核心生产工艺的前提下，提供可落地的病害防控决策支持，从而有效降低病害发生率与经济损失，提升工厂化养殖的整体可持续性。1.2项目定位：生产环境下的实用型AI预警系统本项目的核心定位并非构建一套面向实验室或学术验证的算法演示系统，而是打造一套能够长期稳定运行于工厂化养殖车间现场、直接服务于生产管理决策的实用型AI预警工具。工厂化养殖环境具有高养殖密度、水体浑浊度波动、光照不均、鱼群重叠游动、水面波纹反射以及设备振动干扰等复杂因素，这些都对视觉识别模型提出了远高于标准数据集的要求。因此，本平台从设计之初便将“生产环境适用性”作为首要准则，所有技术选型、数据采集、模型训练与部署策略均围绕真实养殖场景展开，确保系统在极端天气或高密度投喂等工况下依然能够保持较高的可用性和检测精度。为实现上述定位，平台在架构与功能设计上遵循以下几个关键原则：可靠性优先：系统采用边缘计算与云端协同的混合架构，在养殖车间本地部署轻量化推理节点，即便网络中断或云端服务异常，本地仍可独立完成图像采集、病害初筛和声光报警，避免因通信故障导致预警失效。实时性与时效性并重：针对工厂化养殖中病害传播速度快的特性，系统对图像采集、特征识别、结果推送的全链路延迟进行严格控制，目标端到端处理时间不超过2秒，确保管理人员在鱼体异常初期即可获得提醒，从而留出黄金干预窗口。多模态融合校验：单纯依靠视觉识别易受水质、气泡或异物干扰，因此平台同步接入水温、溶氧、pH值、氨氮等在线水质传感器数据，将视觉异常与水质突变、投喂行为进行交叉验证，有效降低误报率。例如，当某一养殖池的鱼体表出现白点且该池水温近期波动超过3℃时，系统自动将预警等级从“观察级”提升至“警告级”。人机协同的决策机制：系统定位于辅助角色，不追求全自动诊断替代兽医或技术人员。预警输出采用分级提示（提示、警告、严重），并附带对应的红外图像截图、异常区域标注、历史对比曲线及初步病理特征描述，由管理人员结合实际情况进行二次确认和处置。该系统本质是一个高精度的异常感知和情报压缩工具，将技术人员的巡检工作量降低60%以上，但最终决策权始终保留给专业人员。持续学习与快速迭代能力：考虑不同养殖场的水质、品种和投喂策略差异，平台支持在线增量学习模式。当技术人员通过Web界面或移动端对系统误报进行标注修正后，该样本将自动进入训练数据池，系统可在低峰时段（如夜间）启动模型微调任务，并经过A/B验证后自动更新至边缘节点。整个闭环流程无需算法工程师现场介入，使模型能够在投产后的一个月内快速适应特定养殖场的个性化特征。为了更清晰地说明系统在实际生产中的定位边界，下表展示了本平台与常规病害检测方案之间的差异：维度本平台（生产现场实用型）实验室分析型方案部署环境养殖车间现场，耐受潮湿、震动、复杂光照恒温恒湿、标准光照的实验室输入数据实时视频流、水质传感器、投喂日志等异构数据人工采集的病灶图像或组织切片输出形态分级预警指令、可视化界面、手机推送、控制信号病害种类判定报告、病理分析文档性能目标低延迟、低误报率、高可用性、能快速安装调试高准确率、可重复性、学术可解释性维护方式养殖场技术员可完成日常维护，支持远程固件升级需要专业工程师维护，定期校准决策角色辅助人员决策，保留人工否决权提供参考结论，供专业机构复核在项目实施过程中，我们坚持不追求算法指标上的绝对领先，而是确保系统在真实养殖环境中“用得上、用得起、用得久”。具体而言，平台的硬件选型采用工业级防水防尘摄像头和国产化边缘计算盒子，整体成本控制在普通养殖户可接受的范围内；软件层面提供可视化的数据看板和预警事件回溯功能，使非技术人员也能轻松理解系统给出的判断依据。通过这种务实的定位，本平台可以无缝嵌入到现有的工厂化养殖管理流程中，帮助养殖企业将病害造成的经济损失降低至少30%，同时显著减少抗生素的盲目使用，助力绿色水产养殖的落地实施。1.3平台核心目标：早发现、准诊断、快预警、减损失平台的核心目标可拆解为四个相互关联、层层递进的维度：早发现、准诊断、快预警、减损失。这四项并非孤立的技术指标，而是贯穿于养殖生产全流程的闭环管理逻辑。其实现路径依赖视觉识别、环境传感、边缘计算与通信预警系统的深度集成，确保每一环节都有明确的量化标准和技术支撑。早发现是降低损失的第一道防线。传统人工巡检通常存在24至48小时的发现延迟，而该平台通过部署在水下、水面及料台上的高清摄像机和多参数水质传感器，以每5秒一次的频率采集鱼类游动行为、体表特征、摄食活跃度及水体溶解氧、氨氮、pH值等关键数据。边缘计算节点在本地完成初步图像预处理和异常特征提取，仅将疑似异常片段上传至服务器，从而将识别延迟压缩至30秒以内。针对工厂化养殖高密度、高浑浊度的特点，系统采用低照度增强算法和背景差分模型，可有效滤除气泡、残饵及光线波动干扰，实现对游动迟缓、侧游、离群、体表黏液增多、鳍条充血等早期症状的稳定捕捉。例如，在循环水养殖系统中，平台能够在鱼体出现摄食量下降10%后的15分钟内自动生成异常记录，而这一指标在人工巡检中通常需要12小时以上才能被发现。准诊断决定了后续处置措施的有效性。平台构建了覆盖工厂化养殖常见病害（如烂鳃病、赤皮病、水霉病、肠炎病、寄生虫病等）的多维度诊断知识库，并采用“视觉特征—行为特征—环境因子”三重校验机制。当视觉模块判定存在体表异常后，系统自动调取最近1小时内的水质变化曲线、投喂记录和鱼群行为时序数据，通过轻量级机器学习模型进行交叉验证。该模型在养殖现场的实测准确率不低于92%，误报率控制在5%以内。同时，平台支持诊断结果的人机协同复核：当置信度低于70%时，系统将推送标注了异常区域的位置截图及建议采样方案，由养殖技师在移动端确认或修正，修正结果会反哺本地模型，形成持续优化。需要注意的是，该平台不试图取代实验室病原检测，而是通过精准的初筛定位，将需要送检的样本量减少80%以上，重点聚焦于高致死率、高传播速度的病害类型。下表展示了平台对不同类别异常的诊断响应方式：异常类别诊断依据平台响应方式建议处置时限细菌性烂鳃鳃盖开合异常、体色发暗、溶氧骤降发送预警并建议隔离、水体消毒2小时内水霉病体表白毛状附着物、游动黏滞推送真菌感染处置方案，建议升温抑菌4小时内营养代谢病摄食减少、腹部凹陷、粪便异常调整投喂配方，补充维生素及矿物质1天内寄生虫感染摩擦池壁、体表点状出血、跳跃建议针对性驱虫，并加强进水过滤6小时内快预警是将诊断结论转化为行动指令的关键桥梁。平台采用分级分区预警机制，并突破传统单一报警的局限，构建了“设备端—管理端—执行端”的三级推送链路。预警信息在边缘计算节点生成后，立即通过局域网传输至中控室大屏和养殖区声光报警器，同时以短信、App推送和微信小程序通知的形式发送给场长、技术员和当班巡检人员。根据病害传播速度和致死率，预警等级分为红、橙、黄三级：红色预警要求响应时间不超过10分钟，自动触发增氧、禁食、应急消毒等联动控制；橙色预警要求30分钟内外理；黄色预警则纳入当日生产计划。所有预警记录均附带现场图像片段、环境参数快照和处置指引，避免因信息模糊导致误操作。尤其针对夜间时段，系统在判定异常后自动启动补光跟踪拍摄，并将连续帧生成慢速回放视频，确保值班人员远程即可掌握鱼群实时状态。实际部署中，从检测到异常到预警消息送达相关责任人，端到端时延测试值平均为4.2秒，远优于传统人工填报和电话通知的数分钟至数十分钟延迟。减损失是平台价值的最终体现，其成效以经济指标和生物指标双重衡量。通过早期干预，平台能够有效阻断病害在群体内的水平传播。以典型的工厂化循环水养殖车间为例，在未部署平台时，一次暴发性烂鳃病通常导致车间内20%至35%的鱼只死亡；部署平台后，由于发现时间平均提前了28小时，死亡损失可压缩至3%以内，同时因精准定向用药，抗生素等投入品使用量降低约40%，避免了全池泼洒带来的水质二次波动。此外，平台还通过连续记录每个池组的发病史、处置过程和效果，构建了预防性管理数据库，帮助管理者优化投喂策略、消毒周期和养殖密度。通过对多批次的跟踪统计，该平台可使工厂化养殖的综合死亡率下降15至20个百分点，饲料系数降低0.1至0.2，单立方米水体的产出效益提升12%以上。这些数据不仅验证了平台在生物安全防控中的实效，也为养殖企业的保险理赔、产品质量追溯提供了客观凭证。综上所述，“早发现”依靠高频感知和边缘智能，“准诊断”依赖多源数据融合和人机协同，“快预警”借助分级推送和闭环联动，“减损失”则落脚于可量化的生物安全和经济增效。四者共同构成一套完整的、可落地的工厂化养殖病害防控解决方案，既适用于已建成车间的改造升级，也可作为新建智慧养殖工厂的核心功能模块进行预装。1.4项目范围与边界（不包含育种、饲料配方优化等非病害业务）本平台的设计范围严格限定于工厂化养殖过程中的鱼类病害识别与预警，核心任务是为养殖生产提供“病害风险发现—诊断建议—处置跟踪”的数字化闭环能力。平台通过融合水下视觉影像、养殖水环境参数、鱼类行为特征等多源数据，利用AI算法完成病害初筛、病情分级、预警推送和处置效果追踪。凡是与病害防控无直接关联的业务，均不属于本平台的建设范围。在功能边界上，平台覆盖但不限于以下病害专项能力：基于图像/视频的病害表型识别（体表溃疡、烂尾、鳃丝异常、眼部病变等）；基于行为学特征的异常状态检测（摄食活力下降、游动失衡、聚集或离群、蹭壁等）；基于水质参数的应激风险预警（如溶解氧、pH、氨氮、亚硝酸盐等短期波动诱发发病风险）；病害早期预警工单生成、分级提醒、责任养殖员任务推送；病害诊断建议库与处置方案匹配（推荐隔离方案、消毒措施、辅助用药方案等）；病害疫情统计、复发趋势分析、防控效果评估。上述能力的实现要求平台与前端感知设备（水下摄像头、水质传感器、投喂观察摄像头等）紧密集成，但集成边界仅限于“病害相关数据的采集与利用”。平台不会反控增氧机、投饵机、循环水系统等养殖设备，也不会对设备运行参数进行调节或优化。设备控制仍然由工厂已有的环境监控系统或PLC执行，本平台只接收与病害相关的检测数据，通过分析后发出风险提示。下面以表格形式明确平台业务范围与边界：业务领域是否包含说明病害图像/视频识别包含利用AI模型对鱼体表面病灶、烂尾、鳃部异常等进行自动识别与分类鱼类行为异常预警包含通过视频分析游泳速度、空间分布、采食活跃度，辅助判断潜在病害风险水质应激风险评估包含仅用于评估水质突变对病害发生的影响，不替代水质调控系统病害诊断与处置建议包含基于常见病害知识库提供辅助诊断、用药、隔离、消毒等建议疫情统计与追踪包含记录病害爆发范围、病程发展、处置干预后结果，生成疫情处置报告育种（亲本选育、遗传性状筛选）不包含育种需要独立的遗传评估工具，与病害防控无直接逻辑关系饲料配方优化不包含饲料营养素配比、投喂策略优化属于养殖生产运营，不属于病害平台职责投饲管理不包含投喂量和投喂时间由工厂养殖管理系统决定，平台只分析因摄食异常带来的发病风险养殖设备控制不包含不直接向增氧、过滤、温控设备发送指令；仅可产生人工操作建议生产销售与库存管理不包含成鱼销售、出入库、供应链数据不在本平台范围内为保证平台在工厂化养殖环境中切实可用，设计上坚持以下边界约定：平台采用“数据单向接收+人工确认”的集成模式：从摄像头、水质传感器、养殖管理系统中获取同病害相关的数据，不向外部系统主动下发控制指令；诊断结果以“置信度+支持证据”形式呈现，置信度低于阈值的病例自动转入人工复核队列，由养殖技术员或远程兽医确认，避免自动诊断误判造成损失；平台不追求替代专业兽医或养殖专家的经验判断，而是提供结构化的信息辅助与异常预警，最终处置决策权保留在养殖场管理者手中；模型的训练与更新主要使用工厂内部积累的影像和解剖/诊断记录，不要求采集育种系谱、饲料采购价格、经营财务等敏感非病害信息；对于出现的新型或罕见症状，平台只负责标记“未知异常”并建议送检，不做无依据的病因推断。在数据与功能层面，平台对“病害业务”的定义遵循一条清晰原则：一切以“识别、预警、诊断、处置、追踪”病害为目的的数据流入均属于范围内；一切以“优化产量、降低成本、改善饲料效率、选育良种”为目的的功能均不属于范围内。即使某些功能（如基于摄食行为判断最佳投喂量）在技术上与病害预警有重叠，本平台也不扩展实现该功能，而是通过开放数据接口将相关行为特征输出给工厂的养殖管理系统，由既有系统完成生产决策。通过上述范围界定，平台能够在工厂化养殖环境中集中资源解决病害防控这一关键痛点，避免业务范围过度膨胀，同时保证与现有养殖自动化、信息化系统之间边界清晰、职责明确，实现可落地、可维护、可扩展的建设目标。2.系统总体架构设计面向工厂化养殖的AI鱼类病害识别与预警平台采用“感、传、知、用”四层物联网体系架构，并辅以数据治理与运维安全机制，形成从水下图像与环境参数采集到病害预警决策的完整闭环。整体架构自下而上划分为感知层、传输层、数据层、智能分析层与应用展示层，各层之间通过标准化接口和消息队列实现松耦合数据流动，确保系统在密集养殖环境下具备高并发、低时延和可扩展能力。感知层是平台的数据基础，部署于每个养殖池或循环水系统单元。核心采集设备包括：高清水下摄像机（4K分辨率，支持低照度与自动补光）、水质多参数传感器（溶解氧、pH、温度、氨氮、亚硝酸盐）、投饵机状态传感器以及增氧泵运行电流传感器。摄像机通过POE供电方式接入边缘计算节点，传感器采用RS485或ModbusRTU协议汇聚至工业数据采集网关。每个养殖池配置独立IP，支持RTSP视频流拉取。针对工厂化养殖池内光照不均、水体浑浊等问题，感知层设备均配备自动清洁刷头与光学窗口除雾装置，以保证图像采集质量满足后续AI识别要求。传输层采用“有线为主、无线为辅”的混合组网方案。养殖车间内部署千兆工业以太网交换机，负责视频流与传感器数据的高带宽传输；跨车间或远距离区域采用光纤骨干环网，并通过5GCPE预留移动巡检数据通道。边缘计算节点（内置NVIDIAJetsonOrin或同等算力模组）部署于现场控制柜内，承担视频流解析、目标检测与初步特征提取任务，仅将关键帧和识别结果上传至云端或私有化服务器，有效降低核心网络带宽压力。所有传输环节启用TLS加密，并设置独立VPN隧道保障数据安全。数据层设计兼顾流式处理与批式存储。现场采集的数据首先进入Kafka消息队列进行削峰填谷，随后由Flink实时计算引擎完成数据清洗、时间窗口聚合和阈值触发预判。清洗后的数据分别存入三类存储：关系型数据库（PostgreSQL）维护养殖池档案、设备信息、预警记录等结构化业务数据；时序数据库（InfluxDB）保存水质传感器连续监测数值；对象存储（MinIO）存储原始视频、巡检图像、AI标注文件及训练数据集。为支持后续模型迭代，图像数据采用“原始帧+增强帧”双备份策略，并关联采集时间、池号、光照强度等元数据标签。智能分析层是平台的核心决策模块，采用“边缘推理+云端训练”协同模式。边缘侧部署轻量化深度学习模型，完成养殖鱼类的目标检测、个体计数和行为状态识别（如游动迟缓、离群浮动、摄食异常）。模型基于YOLOv8或RT-DETR架构进行剪枝量化，在保证检测精度的同时适配边缘设备算力。云端侧负责病害细粒度分类与预警研判：针对已检测的可疑个体，截取包含鱼体表面病灶、鳍部、鳃部等关键区域的图像块，送入病害识别模型（ResNet50或EfficientNet主干）判断白点病、烂尾病、水霉病、赤皮病等常见工厂化养殖病害，并给出置信度与病变阶段估计。平台引入病理知识图谱，将图像识别结果与水体溶氧、温度、氨氮等实时水质数据进行关联推理，例如当水温剧烈波动且检测到体表充血时，系统自动提升应激性出血败血症的风险等级。所有预警规则配置采用“静态规则+动态模型”双引擎，静态规则由水产专家预设阈值（如溶解氧低于3mg/L且持续15分钟立即告警），动态模型则通过历史数据训练XGBoost等分类器，输出未来1小时内病害发生概率。应用展示层面向不同角色提供多端协同界面。管理员可通过Web端大屏获取全厂区三维养殖地图、实时健康指数、病害热力图与预警统计报表；技术员在移动端APP接收分级预警推送（红/橙/黄三级），并能够查看关联视频片段、水质曲线及推荐处置措施；养殖操作员通过现场触摸屏完成日常打卡、异常复核与设备联动操作。平台支持API接口开放，能够与企业已有的ERP、生产管理系统对接，将病害预警自动转化为工单任务，实现从“发现—提醒—处置—反馈”的闭环管理。此外，预警模块设有人工复核机制，识别结果未经专家确认不会自动触发高优先级现场联动，避免误报干扰正常生产。为保障系统长期稳定运行，平台设计了完整的运维与安全体系。边缘节点支持远程升级与容器化部署，AI模型可通过OTA方式完成在线更新，无需停止业务。所有数据操作记录留存审计日志，访问权限基于RBAC模型进行细粒度控制。关键设备采用冗余配置，边缘网关具备断网续传能力，在通信中断时本地缓存30天数据，网络恢复后自动补齐。系统整体具备水平伸缩能力，当养殖池数量增加时，只需扩展边缘节点和对象存储资源即可支撑新增接入。下表汇总了平台各层的主要技术组件与职责分工：架构层级主要组件核心职责感知层水下摄像机、水质传感器、采集网关图像与水质数据采集、设备自检传输层工业交换机、光纤环网、5GCPE、边缘节点数据可靠传输、边缘预处理数据层Kafka、Flink、PostgreSQL、InfluxDB、MinIO数据清洗、聚合、存储与元数据管理智能分析层YOLOv8边缘模型、病害分类模型、知识图谱、XGBoost预警模型目标检测、病害识别、风险预测与预警推理应用展示层Web端、移动APP、触摸屏、API网关可视化监控、预警推送、业务系统对接在数据流转时序上，系统实现亚秒级响应：感知层摄像头以每秒5帧的速率向边缘节点推送画面，边缘检测模型单帧推理耗时小于30毫秒，对检测到的疑似病害个体立即抓拍关键帧并连同水质数据以MQTT协议发送至Kafka；Flink实时任务在200毫秒内完成特征拼接并触发规则引擎；如果判定达到预警条件，告警消息在1秒内推送到技术员移动端，同时关联显示该养殖池过去10分钟的水质变化曲线与最近3次巡检图像。整个链路在单个养殖车间的端到端时延不超过2秒，满足工厂化养殖对实时监控的要求。平台部署模式支持两种场景：大规模养殖基地采用私有化服务器集群部署，数据不出园区；中小型养殖场则可选用公有云订阅服务，边缘设备经加密通道接入云端分析中心。两种模式均支持模型持续迭代，且本地推理不依赖云端，核心识别功能即使在断网状态下依然可运行，确保养殖场恶劣网络环境下的可用性与可靠性。通过上述架构设计，平台能够实际部署于现有工厂化养殖车间，与增氧泵、投饵机、循环水过滤系统等设备联动控制，在病害发生初期即发出预警，从而降低病害蔓延风险，减少经济损失。2.1感知层：多源数据采集终端布局感知层是平台运行的数据基础，其终端布局需紧密贴合工厂化养殖车间的物理结构与水流特性。本层采用“分区布点、垂向分层、冗余互备”原则，将各类传感器与图像采集设备部署于养殖池、循环水处理单元、增氧/控温设备及车间环境关键节点。所有终端通过RS485总线或工业以太网接入边缘采集网关，网关内置本地缓存与断点续传功能，确保网络瞬时中断时数据不丢失。传感器选型均采用工业级防护外壳（IP68或IP67），满足高湿度、盐雾及短时浸泡环境要求。具体部署方案如下。养殖池是所有采集终端中的核心布设区域。每个养殖池按对角线或梅花形布设3个水质监测点：进水口附近、池中央及排污口对面。各点位均安装组合式水质传感器探头，同时测量温度、溶解氧（DO）、pH、电导率及浊度，采样间隔默认为30秒，当任一参数变化率超过预设阈值（如DO变化速率>0.5mg/L·min⁻¹）时自动切换为10秒高速采样。氨氮与亚硝酸盐采用自动取样分析模块，每15分钟完成一次循环测量，取样口位于池底以上20cm处的中央排水管旁，避免死水区干扰。传感器探头安装高度根据养殖品种与池深动态调整：池深1.2m以下时，探头固定于池底上方30cm处；池深超过1.5m时，增加浮标式垂向监测装置，在水面下20cm、池底上方15cm同时采集数据，以评估垂直温差与溶氧分层。所有传感器探头均配备气动自清洗刷头，每6小时自动清洗一次，并设置每月一次的人工校准提醒。水下视频采集采用固定式与云台式相结合：每个池的投饵区上方安装一台400万像素高清防水摄像头，视野覆盖全池水面；池壁水下40cm处加装固定式水下摄像机，用于识别鱼体体表斑点、鳍条损伤及异常游动行为，每池配置2台相对对射，减少死角。摄像头补光灯采用波长为520nm的绿色LED，避免惊扰鱼类，夜间自动开启。循环水处理区域的传感器布局同样不可忽视。在微滤机出水口、生物滤池进水口及出水口、紫外线消毒器进口、增氧锥出口各安装一套在线监测节点，监测指标包括浊度、化学需氧量（COD）、溶解氧、水温和压力。每套节点包含一个4通路的数据采集模块，将流量计、压力变送器、液位开关及水质探头信号汇聚后上传。生物滤池内按纵向间隔1m布置氧化还原电位（ORP）电极，用于指示硝化反应效率，数据每60秒上报一次。所有循环管线上的传感器采用插入式安装，带球阀与活接结构，确保不停水检修更换。增氧设备附近需另设振动传感器与电流互感器，监测增氧风机及水泵运行状态，检测到电流异常或振动超限时主动上报预警。车间环境参数采集采用网关型环境监测节点，每个车间（通常面积为500–2000m²）按每200m²安装一个温湿度传感器，覆盖走道、喂食区及设备间。同时每个车间布设2个气压传感器和1个风速传感器，与车间排风系统联动，防止病原体气溶胶滞留。二氧化碳浓度检测布置于车间中部及排气口附近，测量范围为0–5000ppm，精度±50ppm。所有环境节点采用LoRa无线传输，由车间内的网关负责汇集，该网关同时兼作水质采集以太网的备用通道。设备层采集终端与养殖设备联动部署。自动投饵机内部安装料位传感器与转动计数传感器，输出脉冲信号累计实际投饵量；循环水泵供水总管安装电磁流量计，监测瞬时流量与累计流量，用于判断水流是否异常。备用发电机与主要运行设备接入三相电参数采集模块，实时监测电压、电流及有功功率。每个设备控制柜内加装配电监控终端，通过ModbusRTU协议读取变频器参数，便于分析设备能耗与进行预测性维护。感知层终端布局汇总详见表2-1。布设区域测量/采集对象传感器/设备类型布设数量（以24个标准池车间为例）数据频率通信方式养殖池水温、DO、pH、浊度、电导率多参数水质探头（RS485）24池×3点位=72套30秒（默认），10秒（异常模式）RS485→边缘网关—-氨氮、亚硝酸盐自动取样分析模块每池1套（24套）15分钟RS485—-水下鱼体视频水下高清摄像机每池2台（48台）连续采集，关键帧提取5秒/帧以太网—-水面活动视频高清网络摄像头每池1台（24台）连续采集，H.265编码以太网循环水处理单元浊度、COD、压力、流量在线水质分析节点每个处理段1套，共12套60秒RS485→网关—-生物滤池ORPORP电极滤池纵向3–5支/池，共12支60秒4–20mA→模块—-增氧风机/水泵状态振动传感器+电流互感器每设备1套，共16套10秒RS485车间环境温湿度、CO₂、气压环境监测节点每200m²一个，共8套30秒LoRa设备与配电投饵机料位/转速料位开关+转动计数器每台投饵机1套，共12套脉冲触发数字IO→模块—-水泵总管流量电磁流量计主管路2台10秒4–20mA—-三相电压/电流/功率电参数采集模块控制柜内8套15秒ModbusTCP所有感知终端在部署时均需通过工厂化养殖车间专用安装支架进行固定，避免与养殖操作通道、自动投饵机轨道及清污机器人路径交叉。供电采用集中式24V直流供电与PoE供电相结合：水质传感器及环境节点使用24V供电，摄像头使用PoE交换机供电。每个车间配置两台互为冗余的48V/15A开关电源，经配电箱分出双回路环形总线，确保单点断路不影响后续设备。对于远程传输模块，在主电源之外配置内置电池，支持2小时断电运行，并在恢复供电后自动重新校准时钟与数据上报。为了确保采集数据的有效性与一致性，所有传感器在出厂前均进行两点校准，并在安装后执行72小时现场比对验证。验证基准以标准手持式水质检测仪（实验室级精度）为准，若偏差超过溶氧≤±0.3mg/L、pH≤±0.1、温度≤±0.2℃则重新标定。平台还启动在线质量评估功能，对每个传感数据流实时计算离群率与方差指数，当某点位数据明显偏离同区域其他点位时自动推送维护工单，要求巡检人员现场核查。该布局方案等价于为每个养殖池构建了“水质—视觉—设备—环境”四维数据矩阵，为上层病害特征融合与预警模型提供稳定且具备空间分辨率的基础输入。2.2传输层：养殖车间有线/无线混合组网方案传输层承担着感知层与平台层之间的数据通路构建任务，其设计必须适应养殖车间的高温高湿、水汽附着、饲料粉尘、设备振动及电磁干扰等复杂工况。本平台采用有线骨干与无线接入相结合的混合组网方案，其中有线网络承载高带宽、高可靠要求的固定设备数据，无线网络解决移动设备与低功耗传感器的大范围覆盖问题，同时通过统一管理平台实现异构链路的协同调度与故障切换。在骨干网络层面，各养殖车间设置一台工业级二层/三层核心交换机（如华为S5735系列或赫斯曼RS20系列），采用环网拓扑连接各养殖单元的前端接入交换机，链路带宽为千兆，环网收敛时间控制在50ms以内。接入交换机采用IP67防护等级的工业以太网交换机，安装于车间立柱或墙壁上的防水电控箱内，通过屏蔽超六类网线（SFTP）或耐弯曲工业光纤（单模双芯）下连至摄像头、边缘计算网关、水质监测仪等固定设备。摄像头点位多且码流较高（4路以上1080P时建议每8路汇聚一个千兆端口），每路视频流按6Mbps估算，单个接入交换机预留40%带宽余量。对于视频存储与AI分析服务器之间的数据汇聚，核心交换机的上行链路采用双万兆光口聚合，确保多路视频并发上传与模型推理调用不产生瓶颈。所有有线接口均采用工业连接器并做防水防尘处理，线缆穿管敷设，桥架采用不锈钢材质并良好接地，避免因潮湿导致信号衰减和端口氧化。在无线接入层面，根据业务类型的差异，划分为两个独立的无线网络：其一是基于Wi-Fi6的宽带无线局域网，用于agv巡检机器人、手持式智能终端、临时布设的移动式摄像机以及员工佩戴的定位工牌；其二是基于LoRa（或Zigbee）的低功耗广域无线网，用于溶解氧、pH、温度、氨氮等水质传感器以及环境温湿度、光照强度监测节点。Wi-Fi6采用5GHz频段为主、2.4GHz频段为辅的策略，AP（接入点）选用支持802.11ax协议的工业级产品（如华为AirEngine8760系列），单AP覆盖半径在无遮挡车间内可达25～30米，有金属养殖池或立柱遮挡时缩小至15米，需根据车间平面图进行AP点位规划。每两列养殖池之间部署一台AP，采用抱杆式安装，朝向过道，天线垂直向下，避免直接对着水面反射。AP支持PoE供电，通过网线从接入交换机取电，同时配置管理VLAN和业务VLAN，将办公终端与生产控制终端隔离。LoRa网关每车间部署一台，支持双通道上行，采用470～510MHz频段，发射功率不超过20dBm，覆盖半径可达200米，足以覆盖整栋车间；LoRa终端节点按每个养殖池布置2～4个传感器设计，节点采用电池供电，上报间隔可配置为30秒至15分钟，兼顾电池寿命与数据时效性。对于无线网络的可靠性，Wi-FiAP支持快速漫游（802.11k/v/r），确保AGV跨AP移动时视频回传不掉线；LoRa采用下行监听与上行重传机制，保障传感器数据丢包率低于1%。有线与无线混合组网并非简单叠加，而是通过边缘计算网关实现统一的协议转换与链路管理。每个养殖单元的接入交换机旁部署一台边缘计算网关（如研华AIR-300系列），网关提供RS485、RS232、CAN、以太网、Wi-Fi、LoRa等多种接口，将不同接口的传感器数据汇聚后以MQTT协议通过有线网络上传至平台服务器。无线LoRa网关将采集到的传感器数据首先汇聚到边缘网关，边缘网关进行数据清洗和暂存后，通过有线链路按设定频率转发至上层数据库。AGC巡检机器人通过Wi-Fi将高帧率视频流实时回传至本地AI分析服务器；若Wi-Fi信号因遮挡而瞬时中断，机器人可自动切换至自带的离线缓存模式，待链路恢复后断点续传。有线网络则作为整个车间的回程主干，所有无线数据最终通过有线链路汇入核心交换机，避免无线信号穿墙造成的长距离损耗。两种链路之间设置心跳监测机制，当有线链路故障时，边缘网关可临时借用4G/5G蜂窝模块作为备用回传通道，但受限于蜂窝带宽，此时仅传输关键告警信息和降帧率视频，保证系统在极端情况下的最低可用性。为保障多类数据在同一网络中有序传输，传输层采用VLAN划分与QoS优先级标记相结合的策略。具体划分为：管理VLAN（10）、视频VLAN（20）、传感器VLAN（30）、无线终端VLAN（40）和语音/告警VLAN（50）。其中告警数据优先级最高（802.1p队列7），视频流次之（队列5），传感器数据为队列3，办公与配置数据为队列2。在交换机上配置严格优先调度，确保突发拥塞时告警信令优先于视频帧，避免出现因视频占满带宽而漏报鱼病预警信息的情况。核心交换机同时启用DHCPSnooping和IP-MAC绑定，防止非授权设备接入。对于需外网访问的视频流，通过出口防火墙的IPsecVPN与远端养殖总控中心互联，所有上行数据均经SSL加密，并依据等保2.0二级要求进行日志留存。典型养殖车间（80m×30m，含200个养殖池）的传输层部署参数可归纳如下表，作为工程实施的参考基准：参数项有线网络无线网络主设备工业环网交换机（24口千兆+4口万兆）Wi-Fi6AP（8台）+LoRa网关（2台）链路介质超六类屏蔽网线+工业单模光纤以太网供电（PoE）+470MHz无线覆盖/接入能力固定设备约128个接入点WiFi覆盖半径30m，LoRa覆盖半径200m带宽/速率千兆到点，万兆上联Wi-Fi理论速率≥1.2Gbps，LoRa速率为0.3～22kbps可靠性环网自愈<50ms，电源双路冗余支持快速漫游，传感器低功耗重传防水防尘等级IP67电控箱天线及AP外壳IP66网络布线时需注意：所有网线在进入电控箱前预留20～30cm的滴水弯，防止水汽沿线缆流入接头；无线AP与金属鱼池壁保持至少40cm的净空，以免金属反射导致信号畸变；LoRa天线应垂直安装于车间顶部中央，远离变频器、电机等强干扰源。系统调试完成后，需在典型工况下持续运行48小时，使用网络分析仪记录丢包率与延迟，确保视频链路端到端时延不大于300ms，传感器数据上传周期误差不超过500ms，以此作为传输层验收标准。通过该混合组网方案，平台能够在复杂养殖环境中稳定支撑海量点位的并发接入，并为后续扩展饲养密度、增加AI摄像头数量预留出充足的网络资源。2.3平台层：边缘计算节点与云端服务器协同平台层是连接感知层与应用服务的枢纽，其设计直接决定系统在工厂化养殖环境中的实时性、可靠性与智能化水平。由于养殖车间内视频流密集、水质传感器数据量大，且网络带宽与稳定性常受潮气、供电波动影响，若完全依赖云端进行推理与决策，必然带来高延迟和断网风险。针对这一矛盾，平台层采用“边缘计算节点+云端服务器”的协同架构，将需要低时延、高可靠的任务下沉到边缘侧，将需要强大算力、全局视野的任务上浮到云端，通过分工协作形成完整闭环。边缘计算节点部署于养殖车间或池边控制柜内，选用工业级嵌入式硬件，例如NVIDIAJetsonOrinNano、瑞芯微RK3588或华为昇腾Atlas200IDK，配置8GB以上内存、512GBNVMe存储，并内置6TOPS至50TOPS的NPU算力。每台节点通过千兆交换机接入8至16路高清摄像头（1080p/2MP）以及溶解氧、温度、pH、氨氮等水质传感器。边缘节点运行经过TensorRT、ONNXRuntime或RKNN加速的轻量化病害识别模型，如改进型YOLOv8-fish、MobileNetV3-SSD，对视频流进行实时解码、抽帧和推理，单帧推理延迟稳定在200ms以内。本地还维护一个动态缓存库，保存最近7天的高价值图像与告警视频片段。当网络断连时，节点进入自治模式，独立完成病害检测、声光报警、自动增氧机联动、投饵抑制等本地控制逻辑，保障养殖现场安全。此外，边缘节点在数据上传前进行脱敏与压缩，只上传低置信度样本、疑似病害关键帧以及环境特征聚合值，从而大幅降低骨干网络压力。云端服务器集群部署于数据中心或云平台，采用Kubernetes管理，包含模型训练服务、数据标注平台、专家知识库、全局预警中心等微服务。云端负责接收来自所有场区边缘节点上传的异常样本和特征数据，利用困难样例挖掘、数据增强和在线难例学习方法对模型进行周期性迭代训练。训练完成后，模型版本经增量方式（如TensorFlowLite、ONNX转换）打包，通过安全的推送通道分发到各边缘节点；边缘节点采用A/B测试策略平滑切换新模型，避免因版本突变导致误检。云端还汇聚环境、投喂、用药和发病记录，构建数字孪生水环境模型，结合时间序列预测算法，对特定温、溶氧条件下鱼病爆发概率进行跨场区预报。同时，云端为养殖专家提供可视化监管大屏和移动端APP，支持远程复核边缘侧告警事件、人工标注疑难样本，并将标注结果回流至训练集。边云协同机制包括以下核心流程：数据面协同：边缘节点每30秒上传水质特征聚合值（均值、方差、变化率），每5分钟上传鱼群行为统计特征（游动速度、聚集度、采食活跃度）。仅在模型置信度低于设定阈值或检测到疑似病症时，才上传原始图像，且上传前自动裁剪ROI区域并压缩至256KB以内，避免大量视频流占用带宽。控制面协同：云端通过MQTT/HTTPS协议向边缘节点下发模型版本、检测阈值、预警规则和联动策略配置；边缘节点启动时向云端注册，并每10秒发送心跳包，包含节点状态、负载率、算力余量和当前模型版本号，确保云端可实时监控所有节点健康度。训练面协同：边缘节点记录本地推理结果与操作人员反馈，采用联邦学习机制在本地完成少量梯度更新，仅上传加密的模型梯度权重而非原始视频数据，保护养殖数据隐私；云端通过联邦平均算法聚合生成全局模型，再分发给全部节点，实现数据可用不可见。异常协同：当边缘节点在连续3帧中检测到同一区域的高置信度病鱼时，立即触发本地声光报警，并同步将告警事件、上下文图像、环境参数打包上传云端；云端在30秒内完成复核，回传处置建议。若专家人工确认，则该样本自动加入训练集，作为后续迭代的标注数据。为更明确地划分职责并约束性能指标，平台层核心模块的功能与关键参数如下表所示：功能模块部署位置主要职责关键指标感知接入模块边缘多路视频解码、传感器数据采集、时间同步支持8-16路1080p，解码延迟<50ms本地推理引擎边缘病害目标检测、行为分析、置信度评估单帧推理<200ms，mAP>90%本地决策控制边缘联动设备控制、声光告警、断网自治告警响应<300ms，自治运行>72h数据汇聚与脱敏边缘特征提取、ROI裁剪、压缩加密上传流量<每路2MB/天模型训练平台云端模型训练、验证、版本管理训练周期<24h，每轮准确率提升>0.5%全局预警中心云端跨场区流行病预测、专家复核提前48h预测，误报率<5%协同调度服务边+云联邦学习、配置下发、心跳管理配置同步<5min，心跳带宽<10kbps该协同架构已在某大型循环水养殖基地完成试运行。实际部署中，单个边缘节点覆盖一个车间，云端服务器采用双路GPU（A100/A800或国产昇腾AI卡）支撑约50个场区的模型更新需求。实测结果表明，边缘端推理精度达到91.2%，平均预警响应时间从纯云端的3.5秒降低至0.8秒，网络流量较全量上传方案下降87%；在模拟断网测试中，边缘节点独立运行72小时以上，仍能有效识别常见鱼类疾病并维持本地自动控制功能，充分验证了该平台层的工程可行性。2.4应用层：养殖管理端、预警大屏、移动小程序应用层是平台与养殖操作管理人员直接交互的界面集合，按照“集中管控、远程值守、移动处置”三类使用场景，划分为养殖管理端、预警大屏与移动小程序三个应用终端。三个终端后端共用同一套微服务接口与消息推送通道，前端展示与交互逻辑相互独立，既避免重复开发，又满足工厂化养殖企业在不同业务环节的差异化使用需求。各应用终端的具体功能配置如下表所示：应用端使用场景核心用户部署形态主要功能养殖管理端办公室综合管理养殖场长、技术员、驻场兽医PC浏览器（B/S架构）数据总览、病害诊断、告警管理、报表统计与设备管理预警大屏集中监控与值班指挥值班员、生产管理层高清拼接屏或一体化智能显示器全场风险态势、实时告警可视化、地图标注、语音播报移动小程序生产现场巡查与应急处置巡检员、养殖工人微信小程序（扫码即用）随手拍诊断、预警接收确认、处置回传、指标查询养殖管理端部署于企业监控室或管理办公室的桌面浏览器环境，面向养殖场长、技术员和驻场兽医等不同角色提供分级权限的操作界面。其核心功能模块包括：综合总览驾驶舱：以卡片与图表结合的形式展示全场养殖池数量、当前存养密度、在线设备数量、今日AI识别总次数、异常告警数量及处理率等核心指标，支持按养殖车间、养殖池逐层下钻查看，让管理者在一屏内掌握全场生产安全态势。病害识别与诊断管理：支持从现场摄像机视频流中截取指定养殖池的鱼群图像，调用下层AI分析服务完成病害类型识别，返回病害名称（如小瓜虫病、水霉病、细菌性败血症等）、置信度、患病鱼只估算数量及对应的防治用药建议，识别过程全程留痕，结果自动归档至对应养殖池的电子档案中，便于后续追溯与疗效对比。预警事件管理与工单流转：汇总平台推送的各类预警事件，按红、橙、黄、蓝四级分级展示，每条预警包含触发条件、预警时间、关联养殖池、处理状态与操作记录。管理人员可对确认的预警一键生成处理工单，指派责任人并设定处理时限，系统自动跟踪工单执行进度。水质与设备监控：接入底层传感数据，实时展示溶解氧、pH、水温、氨氮、亚硝酸盐等指标的曲线变化，当指标越过预设阈值时自动触发联动预警；同步监控水下摄像机、水质探头、投饵机等设备在线状态，对设备离线、信号中断等异常情况进行即时提示。统计报表与决策支持：按日、周、月周期自动生成病害识别统计报表、预警处置及时率报表、各养殖池成活率对比报表，支持导出Excel或直接打印，为养殖方案优化和投入品使用决策提供数据支撑。预警大屏面向集中监控中心或集团总部的值班决策场景，部署于高清拼接屏或一体化智能显示器上，支持7×24小时无人值守运行。大屏将病害预警信息进行高度可视化与空间化编排，主要展示内容如下：风险总览区：位于大屏顶部，以数字滚动方式展示全场预警总数、各等级预警数量、今日AI识别图像总量、平均识别响应时间、当日已处置预警数量等关键指标，便于值班人员在远处快速读取。养殖地图分布区：中间主区域叠加养殖企业GIS地图，以养殖池为最小单元显示当前风险等级，采用不同颜色光斑标注（红色代表高风险、橙色代表中风险、黄色代表低风险、蓝色代表正常），风险等级随AI识别结果和数据刷新实时更新。病害分类统计区：右侧区域展示当期病害类型占比环形图、病害数量TOP5排行及各养殖车间病害趋势折线图，辅助值班人员快速定位高发病害和重点车间。实时告警滚动区：底部以列表形式滚动播放最新预警事件，每条包含养殖池编号、预警等级、病害类型、发现时间及AI识别图片缩略图；当红色或橙色预警触发时，大屏整体边框闪烁红色高亮，并联动语音播报提醒值班人员立即确认处置。技术实现上，预警大屏通过WebSocket协议与服务端保持长连接，实时数据推送延迟控制在2秒以内，画面数据刷新周期设定为5秒，确保展示内容与现场监测数据保持同步，不会出现值班人员看到的信息滞后于实际场况的情况。移动小程序基于微信小程序生态开发，面向现场巡检人员和养殖工人，无需单独安装原生应用，通过微信扫码即可进入使用。移动端重点解决“现场发现问题、随手拍照识别、快速响应处置”的业务闭环，主要功能如下：养殖实时状态查询：支持按车间、养殖池维度查看当前水质指标、水温、鱼群活动图像以及最近一次AI病害识别结果，方便巡检人员随时随地掌握养殖现场动态，不需要专门返回中控室查看数据。随手拍病害识别：调用手机摄像头拍摄疑似病鱼照片或短视频，上传至AI病害识别服务，约3至5秒内返回识别结果与处置建议。该功能不依赖固定监控点位，可弥补固定摄像头在暂养池、分拣区等区域覆盖不足的短板。预警消息实时推送与处置回传：通过微信模板消息和站内消息双通道向责任人推送预警通知，用户在手机端直接查看预警详情、确认签收、填写处置措施，并上传处置后的现场照片，形成从发现到处理完毕的闭环记录。离线缓存与消息补发：针对养殖场内部分区域4G/5G信号较弱的情况，小程序支持本地缓存关键页面数据和待发送请求，网络恢复后自动重传，确保极端条件下的现场操作记录不丢失。从整体协同关系看，养殖管理端侧重于“管”，承担日常数据管理、告警审核、工单指派等职能；预警大屏侧重于“看”，快速呈现全场风险态势，辅助值班决策；移动小程序侧重于“办”，支持现场快速诊断和应急处置。三个应用端通过统一身份认证和权限体系实现数据联动，使用者在任何一个终端完成的操作都会实时同步至其他终端。例如，值班人员在小程序中确认一条红色预警后，大屏上该条预警的“待处理”状态立即更新为“处置中”，管理端工单日志同步记录处理全过程，从而构建完整的业务闭环。应用层各界面均遵循统一的视觉规范与操作逻辑，页面布局和信息层级保持一致，有效降低培训成本，提升实际生产中的使用效率。2.5数据安全与权限管理机制为确保平台在复杂养殖环境下安全稳定运行，并满足工厂化养殖多级管理、多方协作的业务需求，系统在数据安全与权限管理方面采用纵深防御体系。整体设计以数据全生命周期安全为核心，结合角色权限控制、动态认证、审计溯源以及合规防护，实现对养殖数据、模型参数、设备控制指令和用户隐私的全方位保护。首先，平台对全量数据进行分类分级管理。依据数据敏感程度和业务影响，将数据划分为四个级别：L1公开数据、L2内部数据、L3敏感数据、L4核心数据。具体分类如下表所示：数据级别典型数据内容安全要求L1公开数据养殖品种科普信息、公开新闻、平台使用帮助完整性保护，防篡改L2内部数据养殖场基本信息、设备运行日志、非敏感统计报表传输加密、访问控制L3敏感数据鱼类摄食量、水质参数、病害诊断记录、视频监控片段加密存储、细粒度权限控制L4核心数据用户账号凭证、模型算法参数、商业养殖策略、财务数据高强度加密、双人审批、全程审计对不同级别数据实施差异化防护策略。平台所有数据传输均采用TLS1.3加密协议，内部服务间通信启用双向mTLS认证；视频流通过RTSPoverTLS或WebRTC的SRTP通道传输，防止监控画面被截获或篡改。数据存储层面，L3及以上数据采用AES-256-GCM加密，数据库敏感字段（如用户密码、密钥材料）使用BCrypt或Argon2算法进行哈希处理。模型参数文件采用独立密钥加密，且与业务数据分开存储，防止因单一数据库泄露导致核心算法资产暴露。密钥管理通过硬件安全模块或云KMS进行集中存储、定期轮换，密钥访问操作记录留痕，杜绝明文密钥落地。在权限管理上，平台采用基于角色的访问控制模型，并结合养殖场实际组织架构设置五类默认角色：系统管理员、养殖场场主、技术员、操作员、监管审计员。系统管理员负责平台基础设施与全局配置，不直接操作养殖业务数据；场主可查看全场数据并审批敏感操作；技术员负责病害诊断、模型参数调整及预警确认；操作员仅能执行日常巡塘、投喂、设备启停等操作；监管审计员拥有只读权限，用于政府或第三方监管调阅。角色权限矩阵如下表所示（部分典型权限项）：权限项系统管理员场主技术员操作员监管审计员实时视频/环境数据查看✗✓✓✓✓水质参数修改✗✓✓✗✗病害诊断结果确认✗✓✓✗✗投喂/设备控制指令执行✗✗✗✓✗模型参数调整/版本发布✗✗✓✗✗用户账号管理✓✗✗✗✗审计日志导出✗✗✗✗✓所有权限的授予遵循最小权限原则，且支持基于养殖场分区的数据隔离。例如，某技术员只允许访问自己负责的2号鱼池的传感器数据和历史病害记录，未经授权无法跨越分区查看其他池的数据。对于涉及模型参数调整、批量设备控制、删除诊断记录等高危操作，系统强制启用双人复核机制，即由技术员发起、场主审批后方可执行。同时，平台在登录环节全面支持多因素认证：用户除输入账号密码外，还需通过短信验证码或生物特征（指纹/人脸）进行二次验证；设备控制台和远程运维通道则强制使用数字证书认证。在审计与追溯方面，系统内置统一审计模块，记录所有用户关键操作的完整链路，包括操作时间、用户ID、来源IP、操作类型、目标对象、请求参数及执行结果。审计事件哈希链式存储，防止日志被篡改或删除。视频监控数据与设备操作日志建立关联索引，一旦发生病害误判或生产事故，可快速回溯事件发生前后的视频片段、传感器读数及人员操作记录，为事故责任认定和平台算法优化提供客观依据。审计日志保留周期不少于180天，并支持加密导出至监管审计员指定位置。数据备份与容灾机制采用“两地三中心”架构。本平台在养殖场本地边缘节点部署实时备份，以应对网络中断导致的数据不可用；在区域中心机房进行每日全量备份和每两小时增量备份；在异地灾备中心保存最近30天的备份副本，确保发生火灾、断电等重大事故时可在4小时内恢复业务。备份数据同样执行加密存储，备份恢复操作需经双人授权，并记录恢复演练记录，每年至少开展一次全量恢复演练。此外，平台需满足《数据安全法》《个人信息保护法》以及养殖行业相关信息化标准。对涉及自然人信息的用户账号数据，需先进行脱敏处理后方可用于测试和数据分析；对外提供数据共享接口时，采用API网关统一鉴权，并通过数据脱敏中间件屏蔽敏感字段。系统内置数据安全态势感知模块，实时监测异常登录、批量数据导出、越权访问等风险行为，一旦触发规则阈值（如单日IPS请求数超过2000次、同账号多次异地登录），立即自动阻断会话并通知系统管理员。针对工厂化养殖场景中常见的摄像头IP暴露、弱口令等问题，平台在设备接入时强制启用安全初始化流程，要求修改默认凭证、关闭闲置端口、绑定白名单地址，从源头降低攻击面。通过上述机制，本平台形成了覆盖“传输—存储—使用—共享—销毁”全流程的数据安全闭环，同时以清晰的角色权限矩阵和审计追溯体系保障了养殖生产管理的可管可控，为AI病害识别与预警功能的规模化落地提供了坚实的安全底座。3.数据采集与治理方案工厂化养殖环境下，AI病害识别与预警平台的有效性高度依赖数据的完备性与质量。为此，本方案围绕病害图像、水质理化、行为特征、生产管理四类数据，建立一套从感知层到治理层的全链路采集与治理机制，确保数据真实、完整、可用、可控，并支持模型迭代训练与实际业务决策。数据采集覆盖四个来源。第一类是病害识别核心的图像数据，包括鱼体体表、鳃部、鳍条、眼球等关键部位的特写图像，以及养殖池内鱼类群体的视觉帧。图像通过三类途径获取：固定位置的水下高清摄像机定时抓拍，管理人员手持防水相机或手机进行巡检补拍，分选机及计数设备在鱼体经过时自动触发拍摄。第二类是水质与理化数据，包括溶解氧、pH、水温、氨氮、亚硝酸盐、盐度等参数，由部署在每个养殖池的在线传感器以30秒为周期自动采集，并同步记录设备编号与采集时间。第三类是行为数据，通过对水下视频流进行实时分析获得鱼群活动强度、分布均匀度、游动速度、摄食响应时间等结构化指标，原始视频仅留存关键片段以降低存储成本。第四类是生产管理数据，包括投喂量、死亡捞检记录、换水与消毒操作、鱼苗投放批次、饲料品牌与规格等，由养殖管理系统对接API自动上传或人工录入补充。具体的数据源与采集要求汇总如下表：数据类别主要采集设备采集频率数据类型用途病害图像水下高清摄像机、手持相机、分选机触发相机定点抓拍每小时1次，巡检按需，分选机自动触发JPEG/PNG原图，附带EXIF与上下文标签AI识别模型训练与推理水质理化溶解氧/pH/温度/氨氮等在线传感器每30秒一次，上传至边缘采集网关数值型时序数据病害预警因子分析行为特征视频分析边缘计算模块每10分钟输出一次汇聚指标结构化数值向量异常行为识别生产管理养殖管理系统事件触发或每日汇总结构化记录关联分析与风险溯源图像采集质量控制要求严格。所有水下摄像机均采用定焦高透镜头，带有自动除雾和灯光补偿功能，分辨率为1920×1080以上。镜头需每周清洁一次，避免附着物影响成像质量。抓拍时刻固定于每日投喂前、投喂后30分钟以及关灯前三个时间点，以覆盖不同鱼类姿态与光线环境。在病害高发期或水质异常预警期间，采集频率自动提升至每30分钟一次。对于疑似病鱼个体，操作人员使用网具或吸鱼泵将鱼体移至专用观察容器，在浅色背景下拍摄鳃部、鳞片、鳍条等病灶部位特写，每个病灶至少拍摄正面与侧面两张照片，并按病鱼编号和池号命名。针对数据治理，首先建立统一的元数据规范以支撑跨源关联。每条图像记录必须包含养殖池编号、鱼品种、规格（均重）、水温、拍摄日期时间、采集设备ID、光照条件、水质参数快照以及标注状态。所有元数据以JSON格式嵌入图像属性或独立存储，时间戳统一为养殖场服务器时区。水质与生产数据通过池号及时间戳与图像数据关联，在原始数据入库前完成字段校验与格式统一。数据清洗遵循“不干净不入库”原则。图像清洗环节，通过自动化脚本剔除清晰度低于阈值（如拉普拉斯方差＜100）的图像，过滤水中气泡、镜面反光、鱼体大面积遮挡的模糊帧。同时，对因设备离线或断电导致的缺失图像记录进行标记，不予以插补。水质时序数据清洗主要处理三类异常：传感器瞬时跳变（如溶解氧从8.0mg/L瞬时降至2.0又回升）、连续停滞（如pH值恒定不变超过2小时）、量程越界（如温度超出设备量程）。对这些数据执行剔除、重测或线性插值策略，并在数据质量报表中标注处理规则。行为数据在设备校准或停电期间产生的异常值直接废弃，不参与后续计算。标注与质量控制方面，构建“初标—复审—仲裁”的三级标注流程。标注工作由经过统一培训的养殖技术员和水产兽医执行，标注工具采用开源LabelImg或掩膜标注工具。标注内容包括病害类别（至少涵盖水霉病、烂鳃病、赤皮病、肠炎病、寄生虫感染等常见工厂化养殖病害）、病灶位置（矩形框或多边形）、严重程度（轻度、中度、重度）以及可见症状描述（如出血点、溃疡、黏液分泌异常）。每张图像由两名标注人员独立标注，若标注类别和位置一致且IoU≥0.7，则判定为有效样本；若存在分歧，交由第三方兽医专家仲裁并明确最终标签。质量复核定期进行，每批次抽取5%的已完成样本重新标注，要求与原来标签的类别一致性不低于95%，否则触发整批重新标注。治理后的数据形成稳定、可追溯的数据资产。原始图像文件存入集中式数据湖（如MinIO或S3兼容存储），按“池号/日期/采集设备”分目录归档，保留期6个月。病害特征提取后的特征向量存入向量数据库，长期保留用于增量学习。水质和生产时序数据存入时序数据库（如TDengine），保留期1年。所有数据文件与记录均携带数据版本号，记录