前言：
水産養殖，人工智能技術的使用，讓魚蝦的産量得到騰飛。其中，機器學習（ML）或深度學習 （DL） 是當今常用的術語，也是最可能改變水産養殖領域的技術。
模拟機器學習的操作方法
其中，ML是計算機科學的研究方向，是人工智能系統的一部分，易于整合不同類型的資料。同時，DL是ML的特定分支，使用分層資料值，包括：将不同步驟之間的資訊轉換為更複雜的資料表現。最後，人工智能是計算機科學的一個分支，用于研究和建構軟體和智能機器，人工智能在圖像分層中的應用在最近一段時間内得到了強大的應用。
圖像分類是一種從圖像、标簽和像素中提取資訊的技術。為了進行分類，将與适當的分類方案相結合提供同一對象的圖像，當訓練樣本數量足夠時，分類效果越高。是以，分類系統依賴于使用者通過适當的分類方案布局來建構使用者的要求。
使用機器學習的算法，圖像分類具有許多不同的方法，常見的是人工神經網絡、專家系統和模糊邏輯,...，圖像預處理過程，包括：模闆選擇、圖像預處理、特征提取、算法選擇、分類後處理和算法準确性評估。其中，樣品選擇和預處理過程起着重要作用，影響了分類算法的準确性，取得的成果有助于快速有效地檢測和識别病蝦。早期的發現和治療有助于及時應對新的蝦病，減少疾病流行，幫助養殖戶及時采取處理措施，進而提高産量和産品品質。
基于圖像的蝦病分類系統訓練圖。
對644個圖像進行了初步測試，包括：5種蝦病的圖像和健康蝦的圖像，從各種來源，分為6類資料。預處理後，獲得的兩組資料包括：14530個樣本使用SURF特征，4096個樣本使用Kmeans。蝦病識别中的AI算法測試在四個算法上進行，這些算法經過超過資料集70%的樣本訓練，并檢查了其餘30%以上的樣本。用于評估算法可靠性的标準包括：預判、恢複和F70。測試結果顯示，射頻算法的準确度最高，根據Recall評估标準達到85.9%。
使用機器學習後發現蝦的黑斑病樣本照片被分成4組。
深度學習模型在養蝦中應用的另一種技術可以快速準确地檢測疾病。具體而言，已經建構、測試、比較和評估了三種不同的模型（SVM、VGG16、GonCNN）。測試結果顯示，GonCNN模型建議優于其他兩款型号，準确率為92.93%。而SVM和VGG16的準确率分别為75.67%和86.94%。根據這些發現，選擇GonCNN模型使用移動裝置的相機拍攝來開發蝦疾病檢測系統，準确率更高！
應用可以擴充到覆寫更多疾病，使計算機能夠學習、建立和完善蝦的疾病資訊資料庫。自那時以來，該應用程式已發展成為一個應用社群，已經部署在水生系統中，以幫助養殖戶和那些對蝦和其他水生動物疾病感興趣的人及時發現，以便能夠在管理中盡早做出決定，提高水産養殖的成功率。