Page 200 - 《水产学报》2025年第5期

张士薇，等 水产学报, 2025, 49(5): 059117

特点。自 20 世纪 80 年代末引入中国后，养殖 尺长度以及体表面积。王禹莎等 [19] 利用 Mask R-
规模不断扩大，截止 2023 年底，养殖总产量接 CNN 对大黄鱼进行图像分割并预测体尺和体表
近 224 万 t，其中海水产量达 143 万 t，占海水 面积，最终构建体重预测模型，所有表型的平
养殖虾类总产量的 81% 。 均相对误差为 4%。
[1]
优良品种的培育为凡纳滨对虾养殖业的健 目前关于凡纳滨对虾生长表型智能测定一
康发展提供了关键支持，通过遗传育种不断改 体化系统与设备的研究较少，搭建的图像采集
[2]
良对虾的生长速率等重要经济性状 ，可以增 平台移动性和稳定性差，缺少大样本特征点标
加产量，提高对虾养殖的经济效益 [3-7] 。快速、 注数据库，也缺少集图像获取、传输、处理和
精准地获取对虾生长表型数据，是开展生长性 数据管理等于一体的便携式软硬件系统，难以
状选择育种的前提条件。传统的生长表型数据 在育种和养殖中大规模推广应用。为了实现对
获取主要依赖人工测量，将虾从水中捞出后， 虾生长表型数据的精准、高效获取，本研究拟
在保持虾体平直舒展的状态下，使用直尺、电 开展以下工作：①设计对虾高分辨率图像的获
子天平等工具人工测量体长、腹节长和体重等 取、传输、分析和存储的硬件装置，确保图像
指标。这种方法存在不少问题，诸如测量过程 获取的质量和稳定性；②建立体尺和体表面积
比较繁琐，效率低下；测量过程受人为因素影 等性状的关键点标注方法，构建大样本关键特
响，测量误差较大，数据准确性难以保证；操 征点标注数据库；③训练针对体尺、体表面积
作过程极易引起虾的应激反应，可能会造成虾 等性状的深度学习模型，构建体重性状的预测
体受伤 [8-10] 。因此，亟待开发更加精准、高效的 模型；④开发与硬件配套的软件管理系统，实
对虾生长表型数据获取方法。 现对生长表型的智能化测定。研究结果预期将
近年来，得益于计算机视觉技术和深度学 为凡纳滨对虾生长表型性状的准确、快速测量
习算法的快速发展，对虾表型数据的采集效率 提供高效的测定工具。

和测量准确度不断提升 。在虾类中，龚瑞 [12]
[11]
利用 Faster Region Convolutional Neural Network 1 材料与方法

(Faster R-CNN) 识别了对虾的多个关键部位，并
1.1 实验材料与图像采集
参照检测标尺进行比例换算从而获得了准确的
本研究共计采集 11 749 尾凡纳滨对虾的图
体尺数据。秦品发 [13] 结合 Mask Region Convolu-
tional Neural Network (Mask R-CNN) 和 Cascade 像用于数据分析，对虾材料主要来自邦普种业
科技有限公司的育种核心群体，所有测试动物
Pyramid Network (CPN) 两种方法更高效地识别
关键特征点并预测了对虾的头胸甲宽、头胸甲 均按照中国水产科学研究院黄海水产研究所动
长和腹部长，平均相对误差低于 3.51%。Li 等 [14] 物实验伦理审查委员会制定的实验动物福利伦
利用 High-Resolution Network (HRNet) 对斑节对 理原则进行养殖管理及实验操作。图像采集
虾 (Penaeus monodon) 的关键特征点进行了有效 工作分 2 次完成。2022 年 10 月之前，累计采
检测，平均精度为 0.94。在鱼类中，Zeng 等 [15] 集 9 798 尾对虾个体 (3.5~17.0 cm) 的图像，作
利用 HRNet 模型对大黄鱼 (Larimichthys crocea) 为 1 #数据集 (SI9798)，用于构建预测体尺性状
幼鱼的体长和全长进行预测，预测准确性分别 关键特征点的模型；2022 年 10 月，采集 1 951
为 0.966 和 0.978。 Li 等 [16] 利 用 FPN-HRNet 模 尾对虾个体 (7.98~21.37 cm) 的图像，作为 2#数
型识别的关键特征点拟合虹鳟 (Oncorhynchus 据集 (SI1951)，主要用于构建体表面积和体重
mykiss) 的体长曲线，关键点平均精度为 0.957， 的预测模型，另外也用于验证体尺性状的预测
体长预测平均相对误差 3.01%。Yu 等 [17] 利用 准确性。图像采集使用自主设计开发的凡纳滨
Mask R-CNN 分割了卵形鲳鲹 (Trachinotus ovatus) 对虾生长表型智能测定系统，硬件部分主要包
的瞳孔、鱼眼、鱼体和鱼柄，平均预测误差均 括图像采集箱 (图 1) 和通用型计算机。
小于 3%。Freitas 等 [18] 使用 Mask R-CNN 将细鳞 图像采集箱 (400 mm ×300 mm ×510 mm)
肥脂鲤 (Piaractus mesopotamicus) 的头部、身体、 内部设有摄像装置、采集平台、辅助光源以
鱼鳍和骨盆区域进行分割，准确预测了鱼体体 及附属电路。其中，摄像装置选用分辨率为

https://www.china-fishery.cn 中国水产学会主办 sponsored by China Society of Fisheries
2