[发明专利]一种凡纳滨对虾表型数据测定方法

说明书

本发明公开了一种凡纳滨对虾表型数据测定方法，收集凡纳滨对虾的侧视图图像和俯视图图像后利用GCN图像分割算法对图像进行图像分割，分割出凡纳滨对虾身体的不同部位，得到不同部位所占像素的大小；根据预先在容器中计算出参照物的单位像素长度这一比例因子，由分割出的不同部位的所占像素长度，计算出凡纳滨对虾部分表型数据；应对凡纳滨对虾在带水容器中出现的倾斜以及弯曲等不同姿态，使用立体空间矫正模型来计算矫正后的凡纳滨对虾身体腹部长度；以不同部位所占像素的大小作为输入数据采用神经网络中的网络结构实现对体长的预测；使用SVR模型，结合不同的表型数据和不同部位所占像素的大小作为输入数据，实现对体重数据的测定。

技术领域

本发明涉及一种凡纳滨对虾表型数据测定方法，基于计算机视觉，结合数学建模实现表型测量,属于人工智能领域。

背景技术

凡纳滨对虾生长周期短、营养价值高，是全球产量和经济价值最高的水产动物之一。同时，面对巨大的社会需求，凡纳滨对虾的育种技术也越来越受关注。凡纳滨对虾的体长和体宽等表型特征与虾的体重密切相关。在养殖中，通长采集这些表型特征来判断虾的生长情况，并将这些信息作为饲养、捕捞和育种的重要参考。

目前，凡纳滨对虾的表型特征测量方法主要依赖于手工测量，劳动强度大、效率低，测量结果易受到主观上的影响，甚至对虾的生长造成不可逆的影响。因此精准、快速、无损地测量表型体征，是开展种质资源鉴定和良种培育的重要基础。

目前已知的研究中，有利用传统的基于阈值的图像分割方法，借助游标卡尺进行测量，结合分割出的像素面积等特征，提出了用来计算头胸甲长度的线性模型。使用图像二值化的方式，对图像进行背景和前景分割，对分割出来的结果建立了包含虾仁面积、周长、高度和宽度的多元特征，来预测虾仁的重量。有利用目标检测算法检测出图像中虾的位置之后，结合数字图像处理中的方法提取出对虾的轮廓区域，针对体长进行了研究。其优点在于不用对虾进行干预，直接抓拍水中虾的图像，从单张图像中计算对虾的体长，但是没有结合对虾会出现蜷缩的形态特征，存在体长计算的局限性。

传统的基于图像处理的方法难以在复杂的场景中表现出优势，随着人工智能的发展，在计算机视觉领域，涌现出了一些卓有成效的方法。突破了传统图像处理中设计特征提取器的局限性，在复杂的应用场景中表现出了惊人的效果。

在图像分割中，比如FCN、SegNet、GCN以及DeepLab系列等网络架构井喷式出现，被应用在不同的场景中。针对这些模型，有应用将其应用在鱼上进行图像分割。例如，使用Mask R-CNN算法进行图像分割，用来计算鱼体的长度、宽度、眼睛等不同表型特征的大小。有采用SegNet网络结构对Nile tilapia图像进行分割，对比了不同层数的网络结构对分割效果的影响，并对体重等不同特征进行计算。还有对获取的鱼体图像使用GrabCut算法进行图像分割后，应用多种方法对鱼体特征进行特征提取，采用支持向回归等方法对鱼的体重进行了预测。

面对不同种类的虾，在自由状态下表现出的行为特点更不一样，目前阶段，很少见到使用基于神经网络的图像分割方法针对凡纳滨对虾做到快速高效的无损测量。

现有技术中对凡纳滨对虾的表型技术测量存在的问题主要存在如下方面：

1、传统图像处理中的一些方法，比如通过基于阈值的图像分割方法，在实现分割的精度上远不如如今神经网络的方法。

2、大部分的表型测量方法都是在脱水的情况下进行的测量，容易对虾造成不可逆的损伤，且测量出的表型指标的个数较少，没有实现对体重的计算。

所以，研究实现快速无损的计算出凡纳滨对虾的表型特征，以及体重的预测。对水产养殖业的发展有着重要的作用。

发明内容

本发明所要解决的技术问题是针对现有技术中存在的不足，针对凡纳滨对虾，结合计算机视觉和数学建模的方法，提供一种凡纳滨对虾表型数据测定方法，实现凡纳滨对虾的表型的无损测量。