Page 207 - 《水产学报》2025年第5期
P. 207

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

              观的生长表型性状，对养殖效果评估和遗传改                             到了   0.98，平均相对误差仅为           1.73%。这表明
              良决策具有重要意义            [32-34] 。本研究从对虾侧向           Mask R-CNN  在对虾体表面积预测中的高效性
              体位测量全长，考虑虾体姿态变化，将                      BL  分     和 准 确 性 。 何 志 鹏 等     [40]  使 用  You  Only  Look
              成了   CL1、AL1、AL2     和  TL  共  4  个不受姿态影         Once (YOLO) 算法对黄颡鱼         (Pelteobagrus fulvi-
              响的部分，针对性地选择了               9  个特征点，采用            draco) 的体面积进行了预测，平均相对误差在
              HRNet 模型对其进行精准定位，所有特征点的                          3%  左右。尽管      YOLO  算法在检测速率上具有
              识别率均超过        98%。王禹莎等        [19]  基于  Mask R-  优势 ，但其精度稍低于             Mask R-CNN。此外，
                                                                   [41]
              CNN  模型对    477  尾大黄鱼的体尺长度特征点进                   宋自根等    [42]  使用  Mask R-CNN  模型对头足类动
              行检测，识别率范围在             90.2%~99.3%。与之相           物角质颚进行图像分割，上下颚分割精度分别
              比，本结果更高的识别率可能归因于                    HRNet 模      为  0.94  和  0.92。该研究也表明      Mask R-CNN   在
              型保持高分辨率特征，并可以进行多尺度信息                             处理生物图像分割任务中的高效性。Mask R-
                         [35]
              融合的优势 。杨爱萍等             [36]  和徐岩等  [37]  研究指    CNN  利用   ResNet 和  FPN  进行特征提取，通过
              出，多尺度信息融合可以提高网络对图像细节                             ResNet 解决了深层网络中的梯度消失和退化问
              的重建，同时改善图像信噪比和对比度低等问                             题 ，FPN    则将不同尺度的特征进行融合，使
                                                                 [43]
              题，更利于图像特征准确识别。                                   得模型在不同分辨率下都能提取到有效特征 。
                                                                                                        [44]
                   基于模型预测的体尺表型测量准确性受多                          同时   Mask R-CNN  在目标检测阶段使用了 ROI
              个因素影响，如目标性状的检测难度、参考群                             Align  技术，精确对齐候选区域，保留精准的空
              和测试群规模及质量、预测模型及参数、真实                             间信息，确保掩膜预测精度，适用于需要高精
              值的获取方式等。在体尺性状预测方面， Zhou                          度和复杂形状分割的任务 。
                                                                                      [45]
              等  [38]  运用  Mask R-CNN  算法对  150  尾凡纳滨对             针对体重性状，本研究通过构建线性回归
              虾进行图像分割和长度宽度检测，大规格虾的                             模型，拟合预测体长和预测体表面积，对体重
              预测准确性明显高于小规格虾                 (0.813~0.913 vs.   性状进行了预测，预测准确性高达                  0.97，平均
              0.001~0.011)，主要是由于参考群中小规格虾的                      相对误差在      2.99%~3.02%。相比其他研究，本
                                       [8]
              样本较少导致。金烨楠等 利用图像测量技术                             研究显示了较高的预测性能。Prajapati 等               [46]  分
              对多个品种的对虾进行了体尺预测，体长的预                             别对  17  尾  (11.365~11.890 cm) 和  136  尾  (12.685~
              测准确性达到        0.99。鲍镇宁等      [39]  基于  Faster R-  13.989 cm) 凡纳滨对虾构建了体长与体重的非
              CNN  网络预测虾体全长的相关性达到                 0.98。上       线 性 幂 函 数 方 程 ， 模 型 相 关 系 数 为       0.828  和
              述两项研究对于体尺性状的预测准确性均较高，                            0.674。在体重的预测模型中拟合其他性状，可
              推测其原因可能来自两个方面，一是测试群样                             进一步提高其预测性能。王禹莎等                 [19]  在大黄鱼
              本量较少      (19~21  尾/组，40  尾)，二是采用游标              的体重预测中构建了多项式、幂函数、指数函
              卡尺或利用       Adobe Photoshop  软件中的标尺工具            数等多种模型，发现包括体高的多项式模型的
              手工测量活体对虾或以对虾图像作为真值。在                             预测准确性最高，达到            0.99，平均相对误差为
              测量过程中，对于姿势不标准的测试虾图像，                             3%。李玉虎等      [47]  基于逐步回归分析对        270  尾凡
              进一步采取分段测量方式。这种测量方式获得                             纳滨对虾建立了全长、体长、第三腹节宽和第
              的测试虾的体长值作为真值更加准确。本研究                             一腹节宽对体重的回归方程，拟合相关性达
              对测试虾图像人工标注特征点，计算其体长作                             0.98 (R =0.955)。因此，下一步研究亟需利用深
                                                                     2
              为真值，计算测试群           96  尾虾体长的预测准确性               度学习等算法识别更多生长表型性状并拟合到
              也达到了      0.97。但由于测试群样本量较大，因                     预测模型中，进一步提高体重的预测准确性。
              此预测准确性略低于前两项研究结果。

                                                               4    结论
              3.3    体表面积和体重预测
                   目前关于对虾体表面积测量的研究报道非                              本研究首次开发了由计算机视觉技术和深
              常少。本研究通过采用             Mask R-CNN  模型对虾          度学习算法驱动的活体对虾生长表型快速测定
              体轮廓进行分割、预测虾体表面积，准确性达                             系统，实现了软硬件的一体化设计。系统由以

              中国水产学会主办  sponsored by China Society of Fisheries                          https://www.china-fishery.cn
                                                            9
   202   203   204   205   206   207   208   209   210   211   212