Page 199 - 《水产学报》2025年第5期

2025, 49(5): 059117 JOURNAL OF FISHERIES OF CHINA

DOI: 10.11964/jfc.20240714612

基于深度学习算法的凡纳滨对虾生长表型测
定系统研发及应用

1,2
1,2
4,5
1,2
1,2
张士薇 1,2,3 ， 代 平 ， 高广春 ， 孟宪红 ， 罗 坤 ， 隋 娟 ， 第一作者：张士薇，从事对虾遗传育种
研究，E-mail：1684703115@qq.com ；
1,2
1,2
谭 建 ， 傅 强 ， 曹家旺 ， 陈宝龙 ， 李旭鹏 ， 强光峰 ，
1,2
1,2
1,2
1,2
6
1,2*
4
邢 群 ， 戚云辉 ， 孔 杰 ， 栾 生 1,2*
1. 中国水产科学研究院黄海水产研究所，海水养殖生物育种与可持续产出全国
重点实验室，山东 青岛 266071；2. 青岛海洋科技中心海洋渔业科学与食物产出
过程功能实验室，山东 青岛 266237；3. 大连海洋大学水产与生命学院，辽宁 大
连 116023；4. 杭州飞锐科技有限公司，浙江 杭州 311100；5. 浙大城市学院信
息与电气工程学院，浙江 杭州 310015；6. 邦普种业科技有限公司，山东 潍坊
代平，从事对虾遗传育种研究，E-mail：
261312 daiping@ysfri.ac.cn

通信作者：孔杰，从事对虾遗传育种
摘要： 研究，E-mail：kongjie@ysfri.ac.cn；
栾生，从事对虾遗传育种研究，E-mail：
【目的】为解决凡纳滨对虾生长表型人工测量效率低、误差大等问题。 luansheng@ysfri.ac.cn

【方法】本研究设计了对虾专用图像采集箱，获取标准化、高质量的
对虾侧面图像。在此基础上，利用高分辨率网络 (HRNet) 模型识别凡
纳滨对虾 9 个关键特征点，实现对体长等体尺相关性状的测量；基于
掩膜卷积神经网络 (Mask R-CNN) 进行凡纳滨对虾的轮廓分割，实现
对虾体表面积的计算；最后复合体长以及体表面积构建回归模型预测
对虾体重。通过开发配套的图像处理与数据管理软件，建立凡纳滨对

虾生长表型精准测定系统。 资助项目：国 家 重 点 研 发 计 划
(2022YFD2400202)；财政部和农业农
【结果】HRNet 模型对 9 个特征点的识别率均超过 98%，其中 7 个特 村部：国家现代农业产业技术体系专
项(CARS-48)；中国水产科学研究院
征点的识别率超过 99%。使用直尺人工测量和图像人工标注特征点测 科技创新团队项目(2020TD26)；泰山
量两种方法测定体长和腹节长的真实值，计算体长和腹节长的预测准 学者工程；广东省“十四五”农业科技
创新十大主攻方向揭榜挂帅项目
确 性 分 别 为 0.91~0.97 和 0.91~0.93， 平 均 相 对 误 差 分 别 为 1.39%~ (2022SDZG01)；山东省科技型中小企
业 创 新 能 力 提 升 工 程 项 目
4.63% 和 2.46%~4.59%。以人工分割虾体轮廓方式获取体表面积作为 (2023TSGC0744)
参考，评估 Mask R-CNN 模型对体表面积的预测准确性为 0.98，平均
收稿日期：2024-07-15
相对误差为 1.73%。以体长、体表面积、性别为变量，构建了 4 种回 修回日期：2024-11-01

归模型来预测体重，所有模型的准确性均在 0.94 以上，其中以同时包 文章编号：
1000-0615(2025)05-059117-13
含体长和体表面积的模型的预测准确性最高 (0.97)。 中图分类号：S 917.4；TP 181
【结论】利用深度学习算法可以较为准确地获得凡纳滨对虾体长和体 文献标志码：A

表面积等生长表型并预测体重。本研究结果可为凡纳滨对虾生长表型 作者声明本文无利益冲突

性状的准确、快速测量提供高效工具。 © 《水产学报》编辑部(CC BY-NC-ND 4.0)
Copyright © Editorial Office of Journal of
关键词: 凡纳滨对虾；生长表型；深度学习；计算机视觉；测定系统 Fisheries of China (CC BY-NC-ND 4.0)

凡纳滨对虾 (Litopenaeus vannamei) 原产于南美洲太平洋沿岸水域，
具有生长速率快、盐度适应性广、适宜多种养殖模式、养殖产量高等

中国水产学会主办 sponsored by China Society of Fisheries https://www.china-fishery.cn
1