使用图像估计亚洲雪鱼收获质量的深度学习方法

该研究是关于使用计算机视觉技术来估计水产养殖中的亚洲雪鱼（Lates calcarifer，也称为澳洲肺鱼）的收获质量。研究人员在澳大利亚昆士兰州的两个地点捕获并记录了1072条鱼的数据，包括它们的体重和图像。图像分析是关键部分，目的是开发一种方法，通过测量鱼的身体面积来预测其重量，从而提高水产养殖业的效率和精确性。 研究过程包括对200张鱼的图像进行手动分割，以确定鱼体区域（不包括鳍），并将其转换为厘米平方。通过单因素模型（M = aS^1.5，其中a = 0.1695）对这些数据进行拟合，得到较高的决定系数R2 = 0.9819，这意味着模型与实际重量有高度相关性，而平均绝对误差（MARE）为5.1%，显示了预测的准确性。 接下来，研究团队训练了一个分割卷积神经网络（CNN），以自动处理剩余的鱼体图像。应用CNN预测的鱼体面积到同一单因素模型中，得到类似的R2值和MARE，表明CNN能够有效地自动化这个过程。此外，他们还尝试了两因素模型（M = aS^b，a = 0.124，b = 0.155），这进一步提高了模型的性能，R2提高到0.9834，MARE降低到4.5%。 这一研究的重要性在于它展示了如何利用计算机视觉和机器学习技术来改善水产养殖的管理。通过准确地预测鱼的重量，农民可以更有效地计划收获时间，优化资源分配，并可能减少浪费。这种技术可能对全球水产养殖产业具有广泛的影响，尤其是在需要大量数据处理和精准管理的大型养殖设施中。此研究发表在《世界工程和技术期刊》(World Journal of Engineering and Technology)2018年的第6期，卷3B，文章编号为63B003。 这篇论文揭示了计算机视觉在水产养殖中的潜力，特别是在体重估算方面，为未来的水产养殖自动化和智能化提供了新的研究方向。通过这种技术，可以减少人工干预，提高生产效率，同时保证鱼类的健康和福利。