小龙虾识别与度量关键技术研究与应用

小龙虾的表型性状是水产养殖和遗传育种中非常重要的经济依据,为了精准实现对小龙虾的视觉检测与定位,并对其主体躯干表型特征进行测量。首先提出了一种基于Mask RCNN实例分割模型检测小龙虾的方法,不仅能快速识别小龙虾,还能对其进行实例分割,生成高质量的二值掩膜图。然后在此基础上,提出一种新的小龙虾度量算法：通过提取小龙虾的轮廓曲线,获取其中轴线,采用分区法提取小龙虾的特征区域,再利用凸包和凸包缺陷算法获取小龙虾的特征点,实现对其全长、体长、头胸甲、腹部、尾扇等主要部位的无接触度量计算。结果表明：Mask RCNN模型在小龙虾数据集上具有很好的泛化性能,模型分割准确率达到了94.6%,目标识别的平均检测精度达到了98.7%。各测量指标的平均绝对误差均在5 mm之内,比人工手动测量难度大大减小,并且稳定高效,重复性更好。该方法将有利于生产和选育过程中小龙虾的鉴别及结构尺寸的快速获取。     

基于语义分割网络的克氏原鳌虾图像识别与分割

为高效获取克氏原螯虾的精准分割图像，提出了一种基于语义分割网络的克氏原螯虾图像识别与分割的方法。首先，在克氏原螯虾上市季节（4—8月）拍摄其图像，建立数据集；然后使用Labelme对所采集的数据集制作标签，进行数据增强，并将数据集按8∶2的比例随机划分为训练集和验证集；最后基于U-Net语义分割网络基础来对数据集进行预处理操作，其中网络的编码器部分捕捉克氏原螯虾图片的上下文信息，解码器部分对克氏原螯虾图片进行精准定位，完成分割任务。结果表明，训练后网络模型的validation Dice（验证集相似度）达到0.944 5,validation loss为0.055 5。这表明该研究所提出的语义分割网络可以较好地解决克氏原螯虾识别与分割问题，能够实现准确、高效的克氏原螯虾图像分割，为实现克氏原螯虾机器化优质选种打下了的基础，也为水产养殖智能化提供了视觉支持。