Page 114 - 《渔业研究》2026年第1期

第 1 期 赵亚宁等： 基于计算机视觉的大黄鱼个体身份识别 111

续的主体裁剪。 依据标注文件中的目标框坐标位置，在原始图
4）标签匹配 像上裁剪出只有大黄鱼主体部分的图像，减少背景
根据拍摄时标签纸编号与 PIT 标记编号的记录 的干扰，用于下述的特征学习模型的训练。数据处
文件，将不同时期采集的同一个体进行匹配，并将 理过程中个体数及图片数变化如图 2 所示。

图像重命名，使同一个体的图像名称具有相同固定 表 1 第一次采集图像中被删除的大黄鱼个体数
格式的前缀，作为训练和识别时的个体编号。其 Tab. 1 The number of L. crocea individuals deleted in
the first acquisition images
中，对于样本的 PIT 标记编码与标签纸编号不匹配
双侧面+背腹面个体数
的图像则进行删除。最终得到产卵期前 8 周样本 删除原因 双侧面个体数 Bilateral+dorsal
Deletion reason Bilateral individuals ventral individuals
1 990 尾，其中双侧面个体 1 650 尾，双侧面+背
图片模糊
腹面个体 340 尾，共 4 660 张图像，包括双侧面图像 Picture blur 11 7
3 980 张、背腹面图像 680 张；产卵期前 1 周样本 标签错误 7 0
Label error
1 813 尾，其中双侧面个体 1 495 尾，双侧面背腹部 图像偏色、遮挡 5 0
Color-biased, occlusion
个体 318 尾，共 4 262 张图像，包括双侧面图像
体表受伤 14 14
3 626 张、背腹面图像 636 张。 Surface injury
5）主体裁剪 总计 Total 37 21

第一次采集 The first acquisition 数据处理 Data processing 第二次采集 The second acquisition
2 061 尾个体 1 919 尾个体
2 061 individuals 1 919 individuals
4 122 张双侧面图像 3 838 张双侧面图像
4 122 bilateral images 3 838 bilateral images
722 张背腹面图像 688 张背腹面图像
722 dorsal ventral images 688 dorsal ventral images
1. 数据筛选 Data filtering
2 003 尾个体 1 919 尾个体
2 003 individuals 1 919 individuals
4 006 张双侧面图像 合格 合格 3 838 张双侧面图像
4 006 bilateral images Pass Pass 3 838 bilateral images
680 张背腹面图像 688 张背腹面图像
680 dorsal ventral images 688 dorsal ventral images

2. 旋转校正 Rotation correction
3. 数据标注 Data annotation

4. 标签匹配 Label matching

合格 Pass 合格 Pass
1 990 尾个体 1 813 尾个体
1 990 individuals 1 813 individuals
3 980 张双侧面图像 5. 主体裁剪 Body cropping 3 626 张双侧面图像
3 980 bilateral images 3 626 bilateral images
680 张背腹面图像 636 张背腹面图像
680 dorsal ventral images 636 dorsal ventral images

图 2 数据处理
Fig. 2 Data processing

2 识别模型 构建检索库模块两部分，流程如图 3 所示。对于加
强营养后待识别的大黄鱼个体，首先将个体加强营
2.1 模型结构 养前，即第 1 次（产卵前 8 周）采集图像使用特征
采用 PaddleClas 套件中的图像识别工具构建大 学习模型构建检索特征库，然后将第 2 次（产卵
黄鱼个体识别模型，识别模型分为个体识别模块和 前 1 周）采集图像提取到的特征传入检索特征库进