Page 204 - 《水产学报》2025年第5期

张士薇，等 水产学报, 2025, 49(5): 059117

deConv
Conv 1×1, 64 Bottlenck
Conv2d ConvTranspose2d
ReLU
3×3, 64 BN
Conv BN
k7, s2, p3, c64
ReLU ReLU
ReLU 1×1, 256
MaxPooling
k3, p1, s2
ReLU
7×7×256 class
ROI Fully connected Layer
Bottlenck Bottlenck
Bottlenck Bottlenck box
Bottlenck Bottlenck
Bottlenck Bottlenck
Bottlenck Bottlenck
Bottlenck
Bottlenck
Bottlenck Bottlenck
Bottlenck
Conv
ROI k3, s1, p1, c256 mask
14×14×256
Bottlenck
Conv
k3, s1, p1, c256
deConv Conv
Conv k2, s2, p0, c256 k1, s1, p0, c1
k3, s1, p1, c256 28×28×256 28×28×1
Conv
Featured Pyramid Network feature maps ROIAlign k3, s1, p1, c256
14×14×256
Region Proposal Network

图 6 凡纳滨对虾整体轮廓分割所用的 Mask R-CNN 模型结构
Fig. 6 Mask R-CNN structure for the contour segmentation of L. vannamei

信息。分别利用 HRNet 模型和 Mask R-CNN 模 OpenCV 4.10.084、PyTorch 2.1.2+cu121、PyQt5
型获取每尾个体的体长 (BL) 和体表面积 (S)。 5.15.7 及大恒相机自带 SDK 等工具软件进行数
基于训练群体 1 667 尾个体的数据，构建了 4 字图像处理与可视化开发。其中，采用 OpenCV
种预测体重 (BW) 的回归模型： 库编写对虾图像的采集和后期处理函数。基于
α
BW = β 1 BL +e (模型1) PyTorch 深度学习框架完成模型的搭建、训练
和推理；利用 PyQt5 设计图像处理和模型预测
BW = β 0 +β 1 S +e (模型2) 结果的可视化界面；大恒相机自带 SDK 提供图
像采集和传输的接口函数。
BW = β 0 +β 1 BL+β 2 S +e (模型3)
BW = β 0 +β 1 BL+β 2 S +β 3 G+e (模型4) 2 结果

模型中， α为指数， β 0 为截距， β 1 、 β 2 和 β 3 为回
2.1 关键特征点与体尺性状
归系数， G为性别， e为误差项。
在 HRNet 模型的卷积操作中，由于与体尺
计算测试群体 186 尾个体的体重预测值与
性状直接相关的关键特征点有 9 个，特征图的
测量值之间的相关系数、最大相对误差、最小
深度设置为 9，最终在虾体的原始图像上精准
相对误差和平均相对误差，评价不同模型预测
定位了 9 个关键特征点，并通过对关键特征点
体重的准确性和可靠性。

连线实现 BL 和 AL 的计算。SI1951 数据集所有
1.6 软件系统开发
对虾图像的关键特征点识别结果统计见表 1，
软件开发采用 Pycharm 2022.1.3 软件作为 识别率均超 98%，除 b1_down 和 b3_down 外，
主要工具，编程语言为 Python 3.9.12，并结合 其余均在 99% 以上，表明所用 HRNet 模型在关

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