閆家興，劉 敏

(河北農(nóng)業(yè)大學(xué)海洋學(xué)院，河北 秦皇島 066000)

在傳統(tǒng)的凡納濱對蝦養(yǎng)殖過程中，需要根據(jù)養(yǎng)殖經(jīng)驗確定投喂量，容易導(dǎo)致飼料過剩或不足的問題。為解決這一問題，研究者建立預(yù)測模型預(yù)測投喂量，主要使用BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型對水產(chǎn)養(yǎng)殖投餌量進(jìn)行預(yù)測(楊加慶，2018；陸天辰，2020)。近年來，隨著計算機深度學(xué)習(xí)的發(fā)展，相關(guān)模型具有更強的數(shù)據(jù)挖掘和泛化能力。何津民(2022)提出IPSO-CNN-LSTM-ATTN 對蝦投餌量預(yù)測模型，改善了BP 神經(jīng)網(wǎng)絡(luò)過擬合和穩(wěn)定性差的問題，然而該類模型訓(xùn)練數(shù)據(jù)來自養(yǎng)殖記錄，這需要人工長期進(jìn)行記錄。

目前計算機視覺技術(shù)快速發(fā)展，本文設(shè)計一個對蝦投餌量預(yù)測系統(tǒng)，從圖片中挖掘蝦群表型數(shù)據(jù)，可根據(jù)蝦群照片直接得出預(yù)測投餌量。投餌量預(yù)測值是根據(jù)系統(tǒng)預(yù)測蝦群的體重計算得出，因此能夠精準(zhǔn)預(yù)測蝦群體重是系統(tǒng)的核心。

一、材料與方法

1.精準(zhǔn)投喂方案設(shè)計

基于計算機視覺的餌料精準(zhǔn)投喂系統(tǒng)流程如圖1所示。首先將輸入的圖片進(jìn)行預(yù)處理，特征提取后進(jìn)行目標(biāo)檢測和實例分割，獲得對蝦的數(shù)量和圖像中對蝦背部總面積數(shù)據(jù)信息，并作為梯度回歸模型的訓(xùn)練數(shù)據(jù)集，通過回歸模型的訓(xùn)練和優(yōu)化，實現(xiàn)預(yù)測蝦群體重和精準(zhǔn)估算投喂量。

圖1 精準(zhǔn)投喂系統(tǒng)流程

2.實驗材料

本研究所用凡納濱對蝦為從市場購買，數(shù)量200 尾，規(guī)格10.9～35.8 克/尾。環(huán)境模擬采用裝有海水的魚缸，共采集群蝦照片2 000張。

3.數(shù)據(jù)采集和數(shù)據(jù)集構(gòu)建

精準(zhǔn)投喂系統(tǒng)需要訓(xùn)練學(xué)習(xí)兩個模型的權(quán)重，首先訓(xùn)練的是YOLOv5s-Mask 模型，以該模型的輸出結(jié)果作為輸入數(shù)據(jù)訓(xùn)練回歸模型以獲得其權(quán)值，利用回歸模型完成蝦群體重的預(yù)測值。最終，根據(jù)具體投餌率得到預(yù)測投喂量。

YOLOv5s-Mask 數(shù)據(jù)集構(gòu)建：使用VIVO IQOO Neot5手機攝像頭拍攝，拍攝時鏡頭位于蝦的正上方，拍攝時鏡頭焦距和高度不固定，選擇多種環(huán)境下拍攝群蝦群的背部照片，使得數(shù)據(jù)更加豐富，以提高訓(xùn)練后模型的魯棒性(穩(wěn)健性)。

回歸數(shù)據(jù)集構(gòu)建：工廠化養(yǎng)殖的對蝦在投喂均勻的條件下，對蝦具有體重接近的特點，因此在拍攝照片時，選擇個體重接近的凡納濱對蝦。在拍攝前先選取不同數(shù)量的蝦進(jìn)行稱重，每次稱重后記錄數(shù)據(jù)并拍攝蝦照片，手機攝像頭固定于養(yǎng)殖缸的正上方80 厘米處，同時拍攝過程需注意如下事項：①拍攝時保持手機高度和焦距不變；②采集時保證拍攝整個蝦群的照片；③拍攝的圖片中不能出現(xiàn)與蝦形狀和大小相似的物體，避免對實驗結(jié)果造成干擾。

將體重均勻的凡納濱對蝦圖片放在1個文件夾中，并以稱重結(jié)果重命名，改變蝦的數(shù)量后重復(fù)操作。將圖片像素值降低處理后可以極大提高模型訓(xùn)練速度，數(shù)據(jù)集制作使用labelme標(biāo)注，標(biāo)注結(jié)果見圖2。數(shù)據(jù)集中訓(xùn)練集和驗證集的比例按9∶1分配。

圖2 labelme標(biāo)注

4.模型構(gòu)建與實驗設(shè)置

(1)YOLOv5s-Mask模型網(wǎng)絡(luò)結(jié)構(gòu)。YOLO作為單階段目標(biāo)檢測的經(jīng)典代表之一，具有檢測速度快、易于部署的特點。Mask-RCNN作為雙階段目標(biāo)檢測經(jīng)典算法，可完成更為精準(zhǔn)的實例分割，生成Mask掩碼，但檢測速度非常慢。因此以YOLOv5s為基礎(chǔ)模型，可在YOLOv5s的Neck上單獨分出1個檢測頭，以同時完成目標(biāo)檢測和實例分割(Wu 等，2022)。YOLOv5s-Mask模型可以快速地進(jìn)行目標(biāo)檢測和實例分割，但也有部分精度損失。主干網(wǎng)絡(luò)選擇CSPDarknet 進(jìn)行特征提取，采用CPS、Focus結(jié)構(gòu)減少計算量以加速訓(xùn)練，利用SPP特征金字塔池化將Feature map劃分成多個尺度。Neck網(wǎng)絡(luò)進(jìn)行一系列混合和組合圖像特征，并將圖像特征傳遞至預(yù)測層，利用FPN 和PAN 結(jié)構(gòu)融和多級特征，解決目標(biāo)檢測中的多尺度問題。Head 網(wǎng)絡(luò)對最終的特征圖進(jìn)行預(yù)測輸出，包括了蝦實例分割頭和目標(biāo)檢測頭兩個部分，分別對目標(biāo)進(jìn)行分類并輸出置信度。模型損失函數(shù)包括目標(biāo)檢測損失和分隔損失，目標(biāo)檢測損失包括分類損失、置信度損失和定位損失。其中分隔損失和目標(biāo)檢測中分類損失及置信度損失為BCE Loss，目標(biāo)檢測中定位損失為CIoU Loss。

(2)回歸模型。梯度提升回歸(GBR)是一種從錯誤中進(jìn)行學(xué)習(xí)的技術(shù)，原理是訓(xùn)練多個弱學(xué)習(xí)器，集成一堆較差的學(xué)習(xí)算法進(jìn)行學(xué)習(xí)，每個學(xué)習(xí)算法的準(zhǔn)確率均不高，但集中起來可以獲得較高的準(zhǔn)確率，這是因為每個算法都不是單獨學(xué)習(xí)，而是在前一個算法的基礎(chǔ)上進(jìn)行學(xué)習(xí)。

二、結(jié)果

1. YOLOv5s-Mask模型訓(xùn)練

YOLOv5s-Mask 的訓(xùn)練損失包括位置損失、目標(biāo)損失、分割損失等，訓(xùn)練過程中邊框損失降低至0.020 45，分割損失降低至0.021 09。訓(xùn)練結(jié)果表明，訓(xùn)練前80 次損失下降較快，80 次后趨于平穩(wěn)，訓(xùn)練過程中沒有出現(xiàn)過擬合和欠擬合現(xiàn)象；模型分隔精度0.99，召回率1，mAP 0.5：0.95 Mask為0.739。

2.梯度回歸模型驗證

為了探究凡納濱對蝦體重對預(yù)測結(jié)果的影響，本次實驗將10～30 克/尾的蝦以5 克為步長將其分成4 組，按體重范圍從小到大依次分為小蝦、中小蝦、中蝦、大蝦4種類型。數(shù)據(jù)采集時選擇同一類型的蝦，將照片輸入訓(xùn)練好的YOLOv5s-Mask分隔模型，求出群蝦的像素面積和蝦數(shù)量，利用分隔模型進(jìn)行檢測，檢測后得出凡納濱對蝦的類別和置信度，并生成分隔掩碼。YOLOv5s-Mask 模型檢測每張圖片消耗時間為20～30 毫秒，檢測消耗時間小于Mask-RCNN 模型檢測消耗時間(170～200毫秒)。

將統(tǒng)計好的檢測數(shù)據(jù)導(dǎo)入回歸模型進(jìn)行訓(xùn)練，訓(xùn)練后測試數(shù)據(jù)如表1所示。

利用回歸模型評價指標(biāo)對模型進(jìn)行評估，GBR模型擬合優(yōu)度R2為0.936、平均絕對誤差(絕對值)為1.280 克、均方根誤差(絕對值)為2.120 克。最大相對誤差(絕對值)為3.503%，最小相對誤差(絕對值)為0.033%。

3.模型相關(guān)性分析

相關(guān)性熱力分析表明，凡納濱對蝦預(yù)測體重和其在圖片中所占面積相關(guān)性為0.980，占比最高，其次是蝦的數(shù)量，占比為0.880。根據(jù)相關(guān)性分析熱力圖可以得出，10克/尾以上的蝦體重預(yù)測和蝦群的類型沒有顯著關(guān)系。

三、討論

蝦的體重是蝦養(yǎng)殖過程中的重要數(shù)據(jù)。有學(xué)者利用計算機視覺和深度學(xué)習(xí)等技術(shù)對養(yǎng)殖動物體重進(jìn)行過預(yù)測(唐楊捷，2019；Dang 等，2022)。對于蝦投餌量的估算，何津民(2022)提出了IPSO-CNN-LSTM-ATTN 對蝦體重預(yù)測模型，最大相對誤差為2.32%，最小相對誤差為0.33%，平均絕對誤差為0.681克。IPSO-CNN-LSTM-ATTN對蝦體重預(yù)測模型從養(yǎng)殖過程中記錄的數(shù)據(jù)中提取特征，最終通過模型預(yù)測投餌量。本文提出的精準(zhǔn)投喂系統(tǒng)的數(shù)據(jù)來源是基于計算機視覺，從圖像中獲取信息。以上兩種方式各有優(yōu)勢，前者模型預(yù)測精度要優(yōu)于本文模型，但不同地域養(yǎng)殖環(huán)境不同，每次更換飼料要重新記錄數(shù)據(jù)并訓(xùn)練模型。本文提出的系統(tǒng)設(shè)計可解決上述因素的影響，但對圖片質(zhì)量和清晰度要求較高。由于蝦體在測量時會有少許水存于其表面，因此在測量蝦體重時也存在一定的誤差。

四、小結(jié)

本文利用計算機視覺完成凡納濱對蝦精準(zhǔn)投喂系統(tǒng)的設(shè)計。系統(tǒng)首先經(jīng)過YOLOv5s-Mask 模型進(jìn)行蝦體的識別和分隔，求出對蝦的數(shù)量和所占像素的面積，通過回歸模型對蝦的體重進(jìn)行回歸預(yù)測，最終根據(jù)蝦群重量計算得出投喂量，實現(xiàn)了對蝦的投餌量預(yù)測。模型mAP 0.5：0.95 Mask為0.739。YOLOv5s-Mask主干網(wǎng)絡(luò)選擇CSPDarknet進(jìn)行特征提取，采用CPS、Focus 結(jié)構(gòu)減少計算量，利用SPP 將Feature map 劃分成多個尺度。Neck網(wǎng)絡(luò)利用FPN和PAN結(jié)構(gòu)融和多級特征，解決目標(biāo)檢測中的多尺度問題。相同面積下，不同生長階段的蝦體重相同。將蝦的體重范圍作為一個因素，驗證是否對預(yù)測結(jié)果造成影響，經(jīng)實驗驗證得出，10克/尾以上的蝦在投喂量預(yù)測時不需要考慮該因素。

本文基于YOLOv5s-Mask 和梯度回歸的對蝦投餌量預(yù)測系統(tǒng)雖然具有智能化程度高、檢測精準(zhǔn)等優(yōu)勢，但也存在依賴養(yǎng)殖水環(huán)境的清晰度的短板，測量時圖片質(zhì)量會影響測量結(jié)果。因此下一步將對模型進(jìn)一步進(jìn)行優(yōu)化，以構(gòu)建性能更好的目標(biāo)檢測、實例分割以及回歸模型。