基于计算机视觉的大黄鱼体尺、体重性状表型测量装置开发和应用

鱼类的体重、体长等表型性状是水产养殖和遗传育种中非常重要的经济性状，为了避免人工测量的不确定性、误差随机性和效率低下的问题，本研究开发出一种基于Mask Region Convolutional Neural Network (Mask R-CNN) 的自动化、无侵入式鱼类图像分割和表型性状测量的装置。该装置包括图像采集装置和控制软件两部分，其中图像采集装置可以测量不同规格鱼类 (体长1~40 cm)。基于Mask R-CNN的控制软件，可以对图片进行目标性状的训练和预测，实现目标数据的测量、存储和管理。本研究利用该装置对477尾3月龄大黄鱼进行了图像采集和基于大黄鱼图像的体长、体高、体重性状预测。研究表明，利用该装置测量的大黄鱼体长和体高的平均相对误差均小于4%。基于体长、体高、体表面积的多元回归模型对体重进行拟合，测量值与真实体重的相关系数为0.99，平均相对误差为4%，对每张图片的平均处理时间为3 s，测量速率是人工的8倍。该系统可以实现自动化、高效、准确地获取大黄鱼体型与体重性状，为大黄鱼种质资源评价、良种选育和种质创新提供更加便捷高效的表型测评工具。