基于视觉引导的小龙虾分级系统设计与试验.pdfVIP

摘要

中国是世界最大的小龙虾生产国，小龙虾不仅肉质细嫩、味道鲜美、营养丰

富，还具有较高的经济价值，因此一直深受人们的喜爱。目前，小龙虾分级方式

常以人工筛选和自动化称重分级两种方式。前者需要消耗大量人力，效率低下，

并且由于分级人员感官差异，产品标准无法统一。自动化称重分级方式由于缺少

视觉信息作为指导，无法识别残缺及死亡虾体，智能化程度低。针对小龙虾人工

筛选和自动化称重分级存在的问题，本文基于计算机视觉系统针对小龙虾部位展

开深入研究，进行了图像语义分割和小龙虾部位实时分类检测，并基于以上研究

成果构建了小龙虾部位自动分级系统同时进行了分级试验。

因此，本文以小龙虾为研究对象，研究了将计算机视觉技术应用于小龙虾规

格检测及分级的基本理论和方法，主要研究内容如下：

（1）构建小龙虾定位识别与活性检测系统。利用轻量级神经网络

SSD-MobileNetv3，提出一种小龙虾部位定位识别与活性分类检测方法。于在线

输送场景下，采集了包含多个小龙虾部位图像，经图像增广及归一化后建立小龙

虾部位图像数据集。引入迁移学习训练分别基于YOLOV3-Darknet53，

SSD-VGG16和YOLOV3-MobileNetv3的小龙虾部位分类检测模型，并通过对比

三个模型的平均检测精度与单幅图像处理时间，优选基于SSD-MobileNetv3的小

龙虾实时部位分类检测模型，实现图像中小龙虾类别以及位置的实时分类检测。

最后得到的测试结果表明，SSD-MobileNetV3模型的mAP与平均检测时间分别

为95.50%和30ms。通过SSD-MobileNetv3模型对死活小龙虾图像进行实时分类

mAP89.5%

检测，实现小龙虾的死活分类。最后得到的测试结果表明，单幅图像为，

单张图像的平均检测时间为34.2ms。

（2）提出小龙虾部位图像实时语义分割方法。由于小龙虾虾钳部位相互粘

连，相互遮挡，不利于小龙虾部位的精准分割。针对以上问题，提出了IC-Net，

U-netDeepLabV3MIOUPrecision

以及三种语义分割方法，并选取，以及单幅图

像处理时间作为语义分割模型的评判标准。结果表明，基于U-Net的小龙虾部位

MIOU89.54%98.94%

图像分割模型的和准确率分别为和，并通过对比三种分割

模型的实际分割效果，选取最优分割模型U-net作为小龙虾部位的分割模型。

（3）提出基于小龙虾重量规格的分级预测方法。考虑到小龙虾不同部位的

密度及其厚度的差异性，根据小龙虾部位图像语义分割结果，将各部位重量比例

作为权重校正各部分图像面积。建立了校正后各部位面积与重量的多元数据模型，

相关系数位0.967，预测结果的绝对和相对误差均值为0.42g和1.67%。为了体现

模型的优越性，分别建立了总面积与重量的一次线性、二次线性、乘幂及指数模

IV

型，分析了四种模型的相关性以及预测精度，乘幂模型效果最好，分别建立了重

量与总面积之间的数学模型，分析了模型的相关性，乘幂模型效果最好，模型相

关性为0.983。研究结果表明，通过权重校正后的各部位面积所建立的重量预测

模型相关性最高，相关系数为0.967。

（4）小龙虾检测分级系统设计与试验分析。为实现小龙虾的智能化、自动

化分级，整套系统主要包括图像采集系统和分级系统。图像处理系统实现了小龙

虾的规格检测，分级系统可根据图像处理系统的结果对小龙虾进行分级。规格

10g~19g小龙虾分级正确率为80%，规格20g~29g小龙虾分级正确率为76.7%，

规格30g~39g小龙虾分级正确率为83.3%。

关键词：小龙虾；深度学习；分类检测；语义分割；分级

V