Nghiên cứu này đề xuất một phương pháp cải tiến dựa trên mô hình YOLOv11 cho bài toán phát hiện bệnh cá trong môi trường nuôi trồng thủy sản. Các cải tiến chính bao gồm: (1) tích hợp khối kết hợp đặc trưng không gian và kênh (Spatial and Channel Fusion Block – SCFB) để tăng cường khả năng trích xuất đặc trưng; (2) sử dụng hàm mất mát Scylla-IoU (SIoU) để tối ưu hóa quá trình huấn luyện; và (3) bổ sung tầng đầu ra P2 chuyên biệt cho việc phát hiện các vật thể có kích thước nhỏ. Mô hình được đánh giá trên bộ dữ liệu FISH-DISEASE-DT (12.556 ảnh, 5 loài cá và 4 loại bệnh). Kết quả cho thấy mô hình đề xuất đạt độ chính xác trung bình (mAP@0.5-0.95) là 84,95%, vượt trội so với các mô hình nền tảng như SSD (47,3%), Faster R-CNN (55,62%), DETR (64,82%) và YOLOv11 gốc (71,67%). Về hiệu suất, mô hình đạt tốc độ xử lý 89 khung hình/giây (Frames Per Second – FPS) trên ảnh đầu vào 640×640 pixel, đáp ứng yêu cầu ứng dụng thời gian thực. Kết quả này khẳng định tiềm năng của phương pháp trong việc phát triển hệ thống hỗ trợ chẩn đoán sớm, góp phần nâng cao hiệu quả quản lý và tính bền vững trong ngành thủy sản.
TCDN.2026.3(27).28-37 - Đoàn Hồng Quang
