前言：
水产养殖，人工智能技术的使用，让鱼虾的产量得到腾飞。其中，机器学习（ML）或深度学习 （DL） 是当今常用的术语，也是最可能改变水产养殖领域的技术。
模拟机器学习的操作方法
其中，ML是计算机科学的研究方向，是人工智能系统的一部分，易于整合不同类型的数据。同时，DL是ML的特定分支，使用分层数据值，包括：将不同步骤之间的信息转换为更复杂的数据表现。最后，人工智能是计算机科学的一个分支，用于研究和构建软件和智能机器，人工智能在图像分层中的应用在最近一段时间内得到了强大的应用。
图像分类是一种从图像、标签和像素中提取信息的技术。为了进行分类，将与适当的分类方案相结合提供同一对象的图像，当训练样本数量足够时，分类效果越高。因此，分类系统依赖于用户通过适当的分类方案布局来构建用户的要求。
使用机器学习的算法，图像分类具有许多不同的方法，常见的是人工神经网络、专家系统和模糊逻辑,...，图像预处理过程，包括：模板选择、图像预处理、特征提取、算法选择、分类后处理和算法准确性评估。其中，样品选择和预处理过程起着重要作用，影响了分类算法的准确性，取得的成果有助于快速有效地检测和识别病虾。早期的发现和治疗有助于及时应对新的虾病，减少疾病流行，帮助养殖户及时采取处理措施，从而提高产量和产品质量。
基于图像的虾病分类系统训练图。
对644个图像进行了初步测试，包括：5种虾病的图像和健康虾的图像，从各种来源，分为6类数据。预处理后，获得的两组数据包括：14530个样本使用SURF特征，4096个样本使用Kmeans。虾病识别中的AI算法测试在四个算法上进行，这些算法经过超过数据集70%的样本训练，并检查了其余30%以上的样本。用于评估算法可靠性的标准包括：预判、恢复和F70。测试结果显示，射频算法的准确度最高，根据Recall评估标准达到85.9%。
使用机器学习后发现虾的黑斑病样本照片被分成4组。
深度学习模型在养虾中应用的另一种技术可以快速准确地检测疾病。具体而言，已经构建、测试、比较和评估了三种不同的模型（SVM、VGG16、GonCNN）。测试结果显示，GonCNN模型建议优于其他两款型号，准确率为92.93%。而SVM和VGG16的准确率分别为75.67%和86.94%。根据这些发现，选择GonCNN模型使用移动设备的相机拍摄来开发虾疾病检测系统，准确率更高！
应用可以扩展到覆盖更多疾病，使计算机能够学习、建立和完善虾的疾病信息数据库。自那时以来，该应用程序已发展成为一个应用社区，已经部署在水生系统中，以帮助养殖户和那些对虾和其他水生动物疾病感兴趣的人及时发现，以便能够在管理中尽早做出决定，提高水产养殖的成功率。