Page 213 - 《水产学报》2023年第1期

王禹莎，等 水产学报, 2023, 47(1): 019516
表 2 体长体高检测误差
Tab. 2 Detection error of body length and body height
性状 最大绝对误差/cm 最大相对误差/% 最小绝对误差/cm 最小相对误差/% 平均绝对误差/cm 平均相对误差/%
features MaAE MaRE MiAE MiRE MAE MRE
体长/cm BL 0.62 7.44 0.12 1.51 0.28 3.45
体高/cm BH 0.21 9.81 0.01 0.27 0.09 3.82

Linear : M = 0:726 43 ¡ 2:580 21S (19) 结果没有显著差异 (P<0.01)。其中，多项式模型
2
Power curve : M = 0:245 56S 1:29823 (20) 拟合效果最好 (R =0.99，MaRE=3%，MxRE=28%)，
优于线性模型和幂函数模型。后二者的 R 为 2 0.97，
表 4 为不同的体重预测模型公式 (18)~(20) 对
平均相对误差为 4%，均方差为 0.54。
应的结果误差。各模型预测结果均与人工测量
图 6 为分别使用线性和非线性回归模型根据
表 3 不同算法对体长体高的误差及准确性 鱼体表面积对体重进行拟合的结果，图中点的颜

Tab. 3 The error and precision of different algorithms for 色表示预测情况，黑色表示在正常范围内，红色
BL and BH % 反之。从图中可以看出，鱼体表面积与体重的相
误差 准确性 关性为 0.97。
算法 MSE precision
method 为了进一步对比系统检测和人工检测的效率，
BL BH BL BH
分别统计基于游标卡尺的人工检测方法和基于系
Canny 5.74 4.23 88.12 90.20
统检测方法在一尾鱼的体长、体高测量中所需的
SLIC 4.81 5.63 89.25 91.36
时间。结果显示，人工检测每条鱼平均耗时 38 s，
Fast-RCNN 3.65 3.96 97.10 95.60
系统检测平均耗时 3 s，检测速率相差悬殊，系统
Mask R-CNN 3.45 3.82 96.55 96.71
检测效率约是人工检测的 8 倍。
表 4 不同数学模型对体重拟合的结果

Tab. 4 Results of mass fittings of different statistical models
模型 均方根误差/g 平均绝对误差/g 平均相对误差/% 2 最大绝对误差/g 最大相对误差/%
equation RMSE MAE MRE R MaAE MaRE P
多项式 polynomial 0.35 0.26 3.00 0.99 1.76 28.00 <0.001
线性 linear 0.54 0.34 4.00 0.97 3.28 35.00 <0.001
幂 power curve 0.54 0.34 4.00 0.97 2.28 35.00 <0.001

3 讨论 测算法，除了可以对体长、体高等 12 个形态学特
征点位置进行检测以外，还可以预测体重性状。
与传统的人工测量相比，计算机视觉技术具
在水产应用领域，利用机器学习处理图像的
[22]
有高通量、高效益、高精确性的优势 。在系统
技术有很多，例如 SVM [26-27] 、KNN 、AdaBoost 、
[28]
[29]
识别过程中，特征测量的标准化在提升运算速率
YOLOv3 [30] 和 Fast-RCNN [31] 等。其中，CNN 作为
的同时提高了估计精度 。对于大黄鱼的遗传改
[23]
机器学习中最流行的模型，在体尺性状检测中应
良而言，形态学参数是重要的经济性状和繁殖目
用最为广泛，能够有效解决目标区域重叠的问题，
标，因为它们不仅反映该鱼的健康情况，同时强
[3]
烈影响消费者的购买意愿，因此在繁育过程中， 实现高精度预测 。CNN 模型主要包括改进模型
会人为地选择体型修长的鱼进行繁育 [24-25] 。但在 和混合模型，基于检测精度、速度等各方面性能
实际研究中，获取鱼类体型信息是非常困难的， 综合考虑，实验选择 Mask R-CNN 深度学习框架
依靠人工只能简单测量体长和体重性状，不能获 作为图像处理算法，该方法由 He 等 [21] 在 IEEE
取其他体型信息，且人工测量标准不一、误差较 International Conference on Computer Vision (ICCV)
大，大大降低了测量效率和商业应用价值。因此， 中提出。该框架在 Faster R-CNN [32] 基础框架上，
本研究开发大黄鱼图像数据采集装置，并基于 用 RoIAlign 代替 RoIPooling，使得特征图与原始
Mask R-CNN 网络框架提出了一种大黄鱼体型检 图位置对应更加准确，精确度提升；同时，模型

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
6