基于深度学习算法的凡纳滨对虾生长表型测定系统研发及应用

文献类型： 中文期刊

第一作者： 张士薇

作者： 张士薇;代平;高广春;孟宪红;罗坤;隋娟;谭建;傅强;曹家旺;陈宝龙;李旭鹏;强光峰;邢群;戚云辉;孔杰;栾生

作者机构：

关键词： 凡纳滨对虾;生长表型;深度学习;计算机视觉;测定系统

期刊名称： 水产学报

ISSN： 1000-0615

年卷期： 2025 年 49 卷 005 期

页码： 198-210

收录情况： 北大核心 ; CSCD

摘要： 【目的】为解决凡纳滨对虾生长表型人工测量效率低、误差大等问题。【方法】本研究设计了对虾专用图像采集箱，获取标准化、高质量的对虾侧面图像。在此基础上，利用高分辨率网络(HRNet)模型识别凡纳滨对虾9个关键特征点，实现对体长等体尺相关性状的测量；基于掩膜卷积神经网络(Mask R-CNN)进行凡纳滨对虾的轮廓分割，实现对虾体表面积的计算；最后复合体长以及体表面积构建回归模型预测对虾体重。通过开发配套的图像处理与数据管理软件，建立凡纳滨对虾生长表型精准测定系统。【结果】HRNet模型对9个特征点的识别率均超过98%，其中7个特征点的识别率超过99%。使用直尺人工测量和图像人工标注特征点测量两种方法测定体长和腹节长的真实值，计算体长和腹节长的预测准确性分别为0.91～0.97和0.91～0.93，平均相对误差分别为1.39%～4.63%和2.46%～4.59%。以人工分割虾体轮廓方式获取体表面积作为参考，评估Mask R-CNN模型对体表面积的预测准确性为0.98，平均相对误差为1.73%。以体长、体表面积、性别为变量，构建了4种回归模型来预测体重，所有模型的准确性均在0.94以上，其中以同时包含体长和体表面积的模型的预测准确性最高(0.97)。【结论】利用深度学习算法可以较为准确地获得凡纳滨对虾体长和体表面积等生长表型并预测体重。本研究结果可为凡纳滨对虾生长表型性状的准确、快速测量提供高效工具。

分类号： S968.22%TP18%TP391.41

  • 相关文献

[1]常态养殖下妊娠母猪体质量智能测定模型. 肖德琴,刘俊彬,刘又夫,黄一桂,谭祖杰,熊本海. 2022

[2]用于农作物种植信息提取的图像分割技术研究进展. 黄祥,王克晓,李波,吴园. 2023

[3]基于深度学习的类球状水果采摘识别算法研究进展. 李辉,张俊,俞烁辰,李志鑫. 2025

[4]基于改进RT-DETR的轻量化豆荚检测模型. 刘亿琳,卢承方,黄岚,詹炜,王俊,邱丽娟. 2025

[5]基于YOLOv8模型的凡纳滨对虾(Litopenaeus vannamei)摄食强度量化及分类方法研究. 王磊,赵海翔,崔鸿武,黄桢铭,高阳,李皓,崔正国,曲克明,朱建新. 2024

[6]BAU光合测定系统与国外同类产品性能的比较研究. 李茂松,王美云,王纪华. 1993

[7]计算机视觉技术在植物根系形态研究中的应用. 杨国梁,张光年,葛庆平,郭新宇. 2006

[8]基于主成分分析及LVQ神经网络的番茄种子品种识别. 赵学观,王秀,李翠玲,高原源,王松林,冯青春. 2017

[9]基于图像纹理特征的养殖鱼群摄食活动强度评估. 陈彩文,杜永贵,周超,孙传恒. 2017

[10]基于计算机视觉的玉米籽粒形态测量. 王传宇,郭新宇,温维亮,苗腾. 2011

[11]基于支持向量机的鱼群摄食行为识别技术. 陈彩文,杜永贵,周超,孙传恒. 2018

[12]基于计算机视觉的植物行为感知研究综述. 祁卫宇,王传宇,郭新宇. 2017

[13]计算机视觉技术在作物形态测量中的应用. 徐歆恺,郭楠,葛庆平,郭新宇. 2006

[14]计算机视觉技术在植物根系形态研究中的应用. 杨国梁,郭新宇,张光年,葛庆平. 2005

[15]人工视觉网络在小麦籽粒分类中的应用. 左卫刚,高洋. 2020

[16]养殖鱼类摄食行为的特征提取研究与应用进展. 曹晓慧,刘晃. 2021

[17]基于Bytetrack的多目标跟踪算法在斑马鱼毒性行为识别中的应用. 赵海翔,崔鸿武,黄桢铭,王磊,李皓,崔正国,曲克明. 2024

[18]基于计算机视觉的绿茶炒干中在制品理化变化研究. 伍洵,刘飞,陈之威,王玉婉,陈琳,涂政,周小芬,杨云飞,叶阳,童华荣. 2020

[19]无人机遥感在马铃薯田间表型研究中的应用. 李敏,郭雷风,王瑞利. 2023

[20]基于计算机视觉的稻米垩白检测方法研究. 陈建华,姚青,胡洁,孙成效,朱智伟. 2010

作者其他论文 更多>>

微信小程序