Page 203 - 《水产学报》2025年第5期
P. 203

张士薇，等                                                                 水产学报, 2025, 49(5): 059117


                                                                               b5_up
                                                                                        tail
                                                               b3_up               TL
                                      eye
                                                                          b5_middle
                                                  b1_up           b3_middle               tail_top
                                                                        AL2    b5_down
                                                          AL1
                                           CL1
                                                     b1_middle
                                                               b3_down
                                                   b1_down


                                              图 5    凡纳滨对虾的体长测量示意图
              b1_middle. b1_up  和  b1_down  连接线中点，b3_middle. b3_up  和  b3_down  连接线中点，b5_middle. b5_up  和  b5_down  连接线中点，CL1. eye
              到  b1_middle 的长度，AL1. b1_middle 到  b3_middle 的长度，AL2. b3_middle 到  b5_middle 的长度，TL. b5_middle 到  tail 的长度。
                                 Fig. 5 Schematic diagram of body length measurement of L. vannamei
              b1_middle.  midpoint  of  the  junction  line  between  b1_up  and  b1_down,  b3_middle.  midpoint  of  the  junction  line  between  b3_up  and  b3_down,
              b5_middle. midpoint of the junction line between b5_up and b5_down, CL1. length from eye to b1_middle, AL1. length from b1_middle to b3_middle,
              AL2. length from b3_middle to b5_middle, TL. length from b5_middle to tail.

              个体图像输入构建好的             HRNet 模型，自动标注             FC  对其进行类别预测          (classification) 和边界框
              关键特征点，计算           BL  和  AL  作为模型预测值。           回归  (bounding-box regression)；在  mask  分支中，
              通过模型值与真实值之间的相关系数、最大相                             执行一系列的卷积          (convolution, conv) 和反卷积
              对误差、最小相对误差和平均相对误差                     4  个指      (deconvolution, deconv) 操作，输出与原始图像
              标，评价      HRNet 模型预测体尺长度的准确性；                    大小一致的掩膜图          (mask)。前  4  个  conv  选取内
              同时结合在不同测量方式下，模型预测所得结                             核 为  3×3， 步 长 为    1、 填 充 为    1  的 卷 积 核 ；
              果的差异大小，评价结果的可靠性。                                 deconv  选取内核为     2×2、步长为      2  的转置卷积

                                                               核；最后一个        conv  选取内核为     1×1、步长为      1
              1.4    虾体轮廓分割与体表面积预测
                                                               的卷积核。此外，基于类别、位置和掩膜的损
                   将  SI1951  数据集按    9∶1  的比例划分为训             失函数来调整训练参数，直至损失收敛。
              练群体    (1 755  尾) 和测试群体     (196  尾)。利用训             体表面积      (body surface area, S) 定义为除附
              练群体的      1 755  尾个体图像，基于        Mask R-CNN      肢外的虾体在分割出的图像中占据的面积。设
              模型分割对虾的整体轮廓，具体步骤如图                       6  所    定阈值    0.7，区分掩码的目标像素和背景像素。
              示。该模型以残差网络             (ResNet50) 和特征金字          遍历分割掩码中的每个像素，大于或等于设定
              塔网络    (featured pyramid network, FPN) 组成骨干      的阈值的像素即为目标像素。计数所有目标像
              网  (backbone)。ResNet50  负责深度特征的提取，               素，以预置的直尺为参照系，按比例转化获得
              由  4  个  stage 组成，每个    stage 分别包含     3、4、      虾体表面积。针对测试群体的               196  尾个体图像，
              6、3  个  Bottleneck  残差块，分别提取最后一个                 分别进行机器和人工轮廓标注，获得体表面积
              残差   block  层特征，输出通道分别为            256、512、      的模型值和真实值。采用模型值与真实值之间
              1 024  和  2 048。FPN  模块将每层特征与其上层                 的相关系数、最大相对误差、最小相对误差和
              经过上采样后所得特征进行融合，输出一组大                             平均相对误差这         4  个指标评价     Mask R-CNN   模
              小不同的特征图         (feature maps)。使用区域候选            型预测体表面积的准确性和可靠性。
              网络    (Region Proposal Network, RPN) 生成含有
                                                               1.5    体重预测
              目标物体的多个候选框，将其映射到特征图上
              获得相应的特征矩阵。随后将每个特征矩阵输                                 从  SI1951  数据集中选择     1 853  尾个体  (8.65~
              入  ROI Align，缩放至适宜大小。最后将感兴趣                      13.60  cm)， 按  9∶1  的 比 例 划 分 为 训 练 群 体
              区域   (Regions of Interest, ROI) 分别输入到全连          (1 667  尾) 和测试群体     (186  尾)。借助电子天平
              接 层   (Fully connected layer, FC) 和  mask  分 支 ，  (精度  0.1 g) 称量所有个体的体重，并记录性别

              中国水产学会主办  sponsored by China Society of Fisheries                          https://www.china-fishery.cn
                                                            5
   198   199   200   201   202   203   204   205   206   207   208