基于深度学习的鱼类疾病识别

对 7 类常见鱼病图像做自动识别：ResNet18/50、ResNet50+CBAM、EfficientNet-B0、Swin Transformer 五模型对比 + Grad-CAM 可视化病灶关注区，一条完整的图像分类与可解释性流水线——代码、文档、面试问答全配齐。

• 任务类型计算机视觉
• 专业方向计算机 · 人工智能 · 生物/农林

数据与任务

如果你想找一个把深度学习图像分类全流程做扎实、又能在面试里讲出技术含量的项目，这个「鱼类疾病识别」很合适。

它是一个完整的医疗/水产图像识别案例，配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

水产养殖里鱼病爆发往往损失惨重，靠肉眼分辨病症既慢又依赖经验。难点在于：不同病症的体表特征（红斑、烂鳃、水霉、白尾）有时很相似，而病灶往往只占图像一小块区域，模型容易被背景、水色干扰。

这个项目从 7 类、共 1750 张鱼病图像出发，搭了一条完整的图像分类流水线：先做数据增强与训练/验证/测试划分，再用 ResNet18、ResNet50、ResNet50+CBAM、EfficientNet-B0、Swin Transformer 五种主干网络做对比实验，统一用混淆矩阵、ROC 评估，最后用 Grad-CAM 把模型"到底看的是鱼身哪块"画成热力图——既比出谁更强，也讲清它为什么强。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

为什么要把 CNN 和 Transformer 摆在一起比。 这是项目的主线。你要能讲清楚 ResNet 残差结构、EfficientNet 复合缩放、Swin Transformer 的移位窗口注意力各自的设计取向，以及在这种细粒度、病灶局部化的识别任务上，把轻量基线、注意力增强、Transformer 一起拉通对比的意义。

CBAM 注意力到底加在哪、怎么起作用。 项目在 ResNet50 的高层特征后插入了 CBAM——先做通道注意力（哪些特征通道重要），再做空间注意力（图像哪块区域重要）。你能借这张图把"注意力机制如何让网络聚焦病灶"讲得很具体，这是面试高频考点。

Grad-CAM 怎么把黑盒讲成"看得懂的病灶热力图"。 Grad-CAM 用梯度加权特征图，生成一张高亮区域，能直接看出模型判断时盯着鱼身的哪一块。你能借此讲清楚模型的可解释性，以及它确实是"看病灶"而不是"看背景"。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• CBAM 的通道注意力和空间注意力分别解决什么问题？为什么要先通道后空间？
• Swin Transformer 的移位窗口（Shifted Window）相比普通 ViT 好在哪？
• Grad-CAM 是怎么从梯度算出热力图的？它和注意力机制是一回事吗？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从研究背景、数据集分析、五种模型设计，一直讲到实验结果与 Grad-CAM 可视化，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，计算机、人工智能、软件工程、水产/生物信息、农业智能化方向都很合适。图像分类是计算机视觉最经典的任务，而"多模型对比 + 注意力 + 可解释性"这条主线，把这个项目从单纯刷分提升到能讲出技术深度——真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。