Page 210 - 《水产学报》2023年第1期

王禹莎，等 水产学报, 2023, 47(1): 019516

体长 body length

P 3
P 2
体高 body height P 4 P 5 P 6
P 1

P 11

P 9 P 8 P 7
P 12 大黄鱼
P 10
L. crocea

图 1 大黄鱼体型性状测量形态学
P 1 .吻端，P 2 .鳃盖上缘，P 3 .背鳍基部前端，P 4 .背鳍基部后端，P 5 .尾鳍基部上端，P 6 .尾鳍基部与侧线交点，P 7 .尾鳍基部下端，P 8 .臀鳍基部
后端，P 9 .臀鳍基部前端，P 10 .左腹鳍基部，P 11 .左胸鳍基部，P 12 .鳃盖下缘
Fig. 1 Morphological traits measurement of L. crocea
P 1 . caudal end, P 2 . upper edge of gill cover, P 3 . anterior end of dorsal fin base, P 4 . posterior end of dorsal fin base, P 5 . superior end of caudal fin base, P 6 .
intersection of caudal fin base and measuring line, P 7 . inferior end of caudal fin base, P 8 . posterior end of anal fin base, P 9 . anterior end of anal fin base,
P 10 . base of left ventral fin, P 11 . base of left pectoral fin, P 12 . inferior edge of gill cover

Faster R-CNN
w/FPN
class
7×7
Rol ×256 1 024 1 024 box

14×14 14×14 28×28 28×28
Rol ×256 ×4 ×256 ×256 ×80

mask

图 2 Mask R-CNN 网络结构 [21]
Fig. 2 Mask R-CNN network architecture
数定义为平均二值交叉熵损失 L mask 。 L mask 只定义 P 0 (x 0 ;y 0 )和 P 2 (x 2 ;y 2 )分别表示检测框左上角和右
对应类别的掩膜损失，其他类别的掩膜输出不会 下角的点坐标。 P 0 P 1 和 P 1 P 2 分别代表检测框长、
影响该类别的损失值，防止在兴趣区域上类之间 宽像素数。
的竞争。 为实现体尺性状关键点位置的确定，实验中
将测试集输入到经过训练集训练的模型中， 使用式 (1) 来计算实际拍摄区域长度 (600 mm) 与
得到分割后的图像和目标帧相关参数。然后，通 照片对应像素数之间的换算比例 θ。通过训练后
过计算检测帧中的像素数，映射到实际鱼体形态 的深度学习模型，可以得到每张测试图片目标分
学参数，得到相应的体尺性状测量结果。最后，
割特征区域的准确检测框。通过得到左上点和右
基于分割后的图像进行鱼体侧表面积的计算，通 下点的坐标，利用式 (2) 和式 (3) 计算出目标区域
过统计学方法拟合得到估测体重。整体算法工作
像素的长和宽。最后，利用式 (4) 和式 (5) 得到的
流程如图 3 所示。
像素点数相乘，得到目标性状的实际长度。
1.5 基于图像的体尺性状测量 L
µ = (1)
体尺性状特征参数测量如图 4 所示，图中的 n
两个区域分别表示检测框和分割对象总区域。 P 0 P 1 = x 0 ¡ x 2 (2)

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
3