Page 205 - 《水产学报》2025年第5期
P. 205

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


                    表 1    基于  HRNet 模型的凡纳滨对虾关键                预测准确性最高可达           0.97,平均相对误差最低
                              特征点识别统计                          为  1.39%;AL  预测准确性最高可达           0.93,平均
               Tab. 1    Statistics of key feature points recognized using  相对误差最低为  2.46%。

                        the HRNet model in L. vannamei
                                                               2.2    轮廓分割与体表面积
                       特征点            未识别数量       识别率/%
                     feature point   number of misses recognition rate 1)
                                                                   图  7  显示了基于     Mask R-CNN   模型实现的
               眼柄基部                      18        99.07
               eye                                             虾体轮廓分割结果。以人工标注对虾轮廓获取
               头胸甲与第一腹节背侧交界点              1        99.95       的体表面积为参考,通过              Mask R-CNN  模型预
               b1_up
                                                               测体表面积的准确性为            0.98,最大相对误差为
               头胸甲与第一腹节腹侧交界点             33        98.30
               b1_down                                         7.99%,最小相对误差为          0.01%,平均相对误差
               第三腹节与第四腹节背侧交界点             2        99.90       为  1.73%。结果表明该模型在整体轮廓分割以
               b3_up
                                                               及体表面积预测方面具有较高的准确性。
               第三腹节与第四腹节腹侧交界点            34        98.25
               b3_down
                                                               2.3    体重性状预测
               第六腹节与尾节背侧交界点               4        99.79
               b5_up                                                 个体重预测模型的拟合结果如下:
                                                                   4
               第六腹节与尾节腹侧交界点               5        99.74
               b5_down                                             BW = 0.022BL 2.710               (模型1)
               尾节末端                      10        99.49
               tail                                                BW = −6.242+1.239 S              (模型2)
               尾肢末端                      10        99.49
               tail_top                                            BW = −18.877+2.054BL+0.651 S     (模型3)
              注:1)数据集中有6尾虾的图像因高曝光没有统计在内。
                                                                   BW=−18.890+2.057BL+0.647S+0.088G (模型4)
              Notes: 1) images of six shrimp in the dataset were not included in the
              statistics due to overexposure.                  如表   3  所示,4  个模型中,同时包含体长、体
                                                               表面积两个变量的模型            3  和  4  对体重的预测准
              键特征点检测上有效可靠。
                                                               确性最高,达到了          0.97,平均相对误差最小,
                   分别以直尺人工测量和图像人工标注特征
                                                               接近  3%。对比模型        3  和  4,发现在模型中拟合
              点测量两种方式获得的             BL  和  AL  作为真实值,
                                                               性别信息对预测准确性影响很小。
              评估体尺性状通过模型测量的准确性。结果如
              表  2  所示,无论使用哪种真实值作为参考,基                         2.4    生长表型测定系统软件
              于模型输出的关键特征点计算得到的体尺性状                                 如图   8  所示,开发的生长表型测定系统软
              的准确性均超过        0.91,平均相对误差均低于            5%。     件界面包含      3  个部分:①图像显示区域,接收
              相比直尺人工测量,利用图像人工标注特征点                             由图像采集箱获取的图像,并显示模型识别后
              测量获得的体尺数值作为真实值,BL                   和  AL  的     的结果,包括在采集平台上的凡纳滨对虾的实

              预测准确性更高,相对误差也更低。其中,BL                            时监测图像和机器标注特征点及特征线的图像。

                                 表 2    基于关键特征点的凡纳滨对虾体尺性状的预测准确性和可靠性
                Tab. 2    Prediction accuracy and reliability for body size traits of L. vannamei measured based on key feature points
                                                             相关系数     最大相对误差/%    最小相对误差/%     平均相对误差/%
                       真实值获取方法                    性状         correlation  maximum    minimum      average
                   method for obtaining true value  feature
                                                             coefficient  relative error  relative error  relative error
               图像人工标注特征点测量                 腹节长                 0.93       6.89        0.04         2.46
               measurement from feature points manually  abdominal segment length
               tagged in the image
                                           体长                  0.97       4.35        0.02         1.39
                                           body length
               直尺人工测量                      腹节长                 0.91       9.60        0.05         4.59
               manual measurement by a ruler  abdominal segment length
                                           体长                  0.91       9.60        0.08         4.63
                                           body length

              中国水产学会主办  sponsored by China Society of Fisheries                          https://www.china-fishery.cn
                                                            7
   200   201   202   203   204   205   206   207   208   209   210