基于 YOLOv8 的锦鲤健康监测与分析系统设计与实现

摘要

锦鲤作为高附加值观赏鱼，其游动姿态、体表色度和健康状况密切相关。传统人工巡检方式主观性强、频次低且
易漏检。为此，本文构建了一套基于深度学习视觉算法的端到端 AI 锦鲤监测软件系统，实现了锦鲤个体识别、异常姿态
检测、体表病害预警及水质参数分析。系统采用前后端分离架构，前端使用 Vue3 和 WebGL 进行三维场景渲染，后端基于
SpringBoot 和 MyBatis-Plus 提供服务。核心算法采用 YOLOv8-seg 与 ST-GCN 组合模型，模型在自建数据集上达到 91.3%
的 mIoU 和 94.7% 的异常行为识别准确率。通过边缘 GPU 节点 Jetson Xavier NX 进行推理，平均单帧延迟为 38 毫秒，可同
时跟踪 80 尾锦鲤。系统已持续稳定运行六个月，异常预测准确率跃升 67%，用药量锐减 42%，经济效益提升 29%，为养殖
户降本增效、增收致富注入强劲动能。