文献类型： 中文期刊

作者： 张士薇 ¹ ; 代平 ¹ ; 高广春 ² ; 孟宪红 ¹ ; 罗坤 ¹ ; 隋娟 ¹ ; 谭建 ¹ ; 傅强 ¹ ; 曹家旺 ¹ ; 陈宝龙 ¹ ; 李旭鹏 ¹ ; 强光峰 ¹ ; 邢群 ³ ; 戚云辉 ² ; 孔杰 ¹ ; 栾生 ¹ ;

作者机构： 1.中国水产科学研究院黄海水产研究所

2.杭州飞锐科技有限公司

3.邦普种业科技有限公司

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。