該頁無縮略圖
第 6 期 王鑫怡等:基于改進(jìn) YOLOv8 的輕量級魚類檢測方法
Lightweight fish detection method based on improved YOLOv8
WANG Xinyi
1,5
,LIU Xuteng
2
,ZHENG Jiye
1,5
,DONG Guancang
3
,YU Zhaohui
4
,
ZHANG Xia
5
,WANG Xingjia
1,5
(1Institute of Agricultural Information and Economics, Shandong Academy of Agricultural Sciences,
Jinan 250100, Shandong,China;
2 The Chinese University of Hong Kong, Shenzhen, Shenzhen 518172, Guangdong,China;
3 Shandong Freshwater Fisheries Research Institute, Jinan 250013, Shandong,China;
4 Shandong Dongrun Instrument Science and Technology Co, Ltd, Yantai 264003, Shandong, China;
5 School of Physical Science and Information Engineering, Liaocheng University,
Liaocheng 252000, Shandong,China)
Abstract:Fish culture is moving toward precision culture, and fish target detection is an important part of
precision culture. Fortunately, the use of deep learning holds promise for fish target detection. However, the
existing fish target detection models have problems with heavy computation and low accuracy. To address the
issues of low accuracy and high computational load in fish target detection,a lightweight fish target detection
method based on an improved YOLOv8 model was proposed and named YOLOv8-FCW in this study. Firstly,
The experimental comparison of MobileNet, ShuffleNet, GhostNet and C2f-Faster shows that C2f-Faster
performs best. Therefore,the FasterBlock from FasterNet was introduced to replace the Bottleneck module in
C2f of YOLOv8, reducing redundant computations in the network model. Secondly, the Convolutional Block
Attention Module (CBAM) attention mechanism was incorporated to efficiently extract fish body features and
enhance the detection accuracy of the network model. Finally, The experimental results show that the loss
value and convergence speed of the Wise intersection over union (WIoU) loss function is better than Complete
intersection over union (CIoU), Distance intersection over union (DIoU) and Generalized intersection over
union ( GIoU). Therefore, a dynamic non-monotonic focusing mechanism WIoU was introduced to replace
CIoU, accelerating the convergence speed of the network model and improving its detection performance. To
verify the detection effect of YOLOv8-FCW on fish, the original model and YOLOv8-FCW were trained and
tested on the fish data set. The fish data set consists of 1000 images, which were divided into training set,
verification set and test set according to the ratio of 8 ∶ 1 ∶ 1. Experimental results show that compared with
the original model, the improved YOLOv8-FCW model had increased precision by 1. 6 percentage points,
recall by 5. 1 percentage points, and mean average precision( mAP) by 2. 4 percentage points, while the
weight and computational load were reduced to 80% and 79% of the original model, respectively. YOLOv8-
FCW achieves high detection accuracy and efficiency with very small model volume and low computational
cost. The model shows high accuracy and robustness. The research can help breeders accurately calculate the
number of fish and provide technical references for fish target detection.
Key words:image processing; image recognition; target detection; YOLOv8
99
第 51 卷第 6 期 漁 業(yè) 現(xiàn) 代 化 Vol. 51 No. 6
2024 年 12 月 FISHERY MODERNIZATION Dec. 2024
DOI:10. 3969 / j. issn. 1007-9580. 2024. 06. 011 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):
王日成,鄭雄勝,高玉鳳,等. 基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法[J]. 漁業(yè)現(xiàn)代化,2024,51(6):100-114.
收稿日期:2024-09-10
基金項目:浙江省“尖兵”“領(lǐng)雁”研發(fā)攻關(guān)計劃項目 “梭子蟹籠漁船自動化捕撈技術(shù)研發(fā)與應(yīng)用示范(2022C02001)”
作者簡介:王日成 (1999—),男,碩士研究生,研究方向:計算機(jī)視覺、機(jī)器智能等。 E-mail: wangricheng@ zjou. edu. cn
通信作者:鄭雄勝 (1972—),男,副教授,研究方向:涉海機(jī)械裝備設(shè)計與仿真分析等。 E-mail: zxs893@ zjou. edu. cn
基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
王日成,鄭雄勝,高玉鳳,黃文偉
(浙江海洋大學(xué)海洋工程裝備學(xué)院,浙江 舟山 316002)
摘要:三疣梭子蟹(Portunus trituberculatus)是一種具有重要經(jīng)濟(jì)價值的甲殼類動物,性別分類的準(zhǔn)確性對于
優(yōu)化水產(chǎn)養(yǎng)殖策略和提高海產(chǎn)品加工效率至關(guān)重要。 該研究提出了一種基于深度學(xué)習(xí)的自動性別分類方
法,采用了增強(qiáng)型卷積神經(jīng)網(wǎng)絡(luò)模型 SE-ResNet18。 該模型結(jié)合了 Squeeze-and-Excitation(SE)模塊和全局平
均池化,通過數(shù)據(jù)增強(qiáng)和優(yōu)化算法對包含大量雌雄梭子蟹圖像的數(shù)據(jù)集進(jìn)行了訓(xùn)練和驗證。 結(jié)果顯示,
SE-ResNet18 的總體分類準(zhǔn)確率達(dá)到 99. 5%,相比 ResNet18 提高了近 4 個百分點(diǎn),其中雄性梭子蟹的分類準(zhǔn)
確率為 99. 68%,雌性梭子蟹為 99. 74%。 研究表明,SE-ResNet18 在三疣梭子蟹的性別分類任務(wù)中具有極高
的準(zhǔn)確性和魯棒性,能夠高效地完成自動化分類任務(wù)。
關(guān)鍵詞:三疣梭子蟹;性別分類;深度學(xué)習(xí);SE-ResNet18;水產(chǎn)養(yǎng)殖
中圖分類號:TP 391. 4; S 951. 2 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0100-015
三疣梭子蟹(Portunus trituberculatus) 是中國
東海中最具經(jīng)濟(jì)價值的蟹類之一[1]
,約占全球經(jīng)
濟(jì)蟹類捕撈量的 1 / 4
[2]
。 準(zhǔn)確地對三疣梭子蟹性
別進(jìn)行分類,對于優(yōu)化水產(chǎn)養(yǎng)殖策略和提升海產(chǎn)
品經(jīng)濟(jì)價值至關(guān)重要,傳統(tǒng)的人工分類方法勞動
強(qiáng)度大且易出錯,迫切需要引入高效的解決方案,
以符合現(xiàn)代可持續(xù)漁業(yè)實踐的要求[3]
。
近年來,隨著人工智能(AI) 的快速發(fā)展,特
別是在圖像處理和計算機(jī)視覺領(lǐng)域,自動化識別
方法變得更加有效。 傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)雖然可
以擬合多種數(shù)據(jù),但需要大規(guī)模網(wǎng)絡(luò)來表達(dá)復(fù)雜
特征,由于早期硬件性能的不足, 應(yīng)用受到限
制[4-7]
。 目前,深度學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用于蟹
類的性別分類。 例如,Yan 等[8] 開發(fā)了一種基于
圖像識別的全自動蟹類分級系統(tǒng),準(zhǔn)確率達(dá)到了
95%。 Baluran 等[9]通過圖像處理、模糊邏輯和 K
近鄰(KNN)分類器實現(xiàn)了螃蟹的自動性別分類,
準(zhǔn)確率約為 95%。 Cui 等[10] 通過數(shù)據(jù)增強(qiáng)、批量
歸一化和 Dropout 技術(shù)將深度卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用
于中華絨螯蟹(Eriocheir sinensis) 的性別分類,準(zhǔn)
確率達(dá)到了 98. 9%。 Wang 等[11]通過將機(jī)器視覺
與 GA-BPNN 結(jié)合,分類河蟹的準(zhǔn)確率為 92. 7%。
Yao 等[12]提出了一種基于深度學(xué)習(xí)的框架,在樹
莓派(Raspberry Pi) 設(shè)備上實現(xiàn)了對塔斯馬尼亞
巨蟹(Pseudocarcinus gigas)的高效性別分類,準(zhǔn)確
率達(dá)到 96. 34%。 魏天琪等[13]使用多種卷積神經(jīng)
網(wǎng)絡(luò)(CNN)對三疣梭子蟹進(jìn)行了性別分類,取得
了 95. 59%的三疣梭子蟹性別分類準(zhǔn)確率。
本研究旨在提升蟹類性別分類的準(zhǔn)確性,提
出了一種基于 SE-ResNet18 的增強(qiáng)型深度學(xué)習(xí)模
型。 通過引入 Squeeze-and-Excitation( SE) 模塊
和優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu),模型的分類性能得到了有效提
升。 本研究不僅為蟹類性別分類提供了高效的解
決方案,還驗證了其在實際生產(chǎn)中的應(yīng)用潛力。
1 材料與方法
1. 1 圖像采集與處理
為了準(zhǔn)確區(qū)分三疣梭子蟹的性別,依據(jù)腹部
形態(tài)將螃蟹分為雄性或雌性。 如圖 1 所示,雄性
(標(biāo)本 1)的腹部呈三角形且尖銳,而雌性蟹(標(biāo)本
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
2)的腹部則為圓形或橢圓形,亞成體雌蟹(二母
蟹)(標(biāo)本 3)生殖器官尚未完全發(fā)育。 圖中的紅
色線框用于標(biāo)注蟹的腹部形態(tài)特征,以明確展示
不同性別的區(qū)別。 數(shù)據(jù)集在當(dāng)?shù)匾患胰嗨笞有?/p>
加工廠的協(xié)助下采集,采集過程中考慮了不同光
照條件(自然光、強(qiáng)光、弱光)和背景環(huán)境,以提升
數(shù)據(jù)集的多樣性和代表性,使模型更好地適應(yīng)實
際應(yīng)用場景。
圖 1 三疣梭子蟹的腹部形態(tài)
Fig. 1 Abdominal morphology of Portunus trituberculatus.
卷積神經(jīng)網(wǎng)絡(luò)(CNNs)在數(shù)據(jù)充足的情況下
表現(xiàn)良好,但當(dāng)數(shù)據(jù)有限時,可能出現(xiàn)過擬合的風(fēng)
險,從而影響模型的泛化能力[14-18]
。 為了解決這
一問題,通常采用數(shù)據(jù)增強(qiáng)技術(shù)[19-24] 來擴(kuò)充數(shù)據(jù)
集,從而改善模型的泛化性能。 本研究采用了多
種數(shù)據(jù)增強(qiáng)技術(shù),包括縮放、翻轉(zhuǎn)、旋轉(zhuǎn)、平移、變
亮、變暗、模糊和添加椒鹽噪聲等操作。
縮放操作通過對圖像進(jìn)行不同比例的調(diào)整,
增強(qiáng)了模型在處理不同尺寸物體時的適應(yīng)性;水
平和垂直翻轉(zhuǎn)增加了數(shù)據(jù)的方向多樣性,防止模
型對特定方向的偏倚;旋轉(zhuǎn)操作采用了 90°及其
他隨機(jī)角度的旋轉(zhuǎn),以提高模型對不同角度樣本
的識別能力;平移操作用于模擬圖像在不同位置
的變化;變亮和變暗操作用于模擬光照條件的變
化,以增強(qiáng)模型在不同環(huán)境下的魯棒性;模糊操作
通過降低圖像的清晰度來模擬圖像獲取過程中的
模糊情況,從而增強(qiáng)模型在噪聲條件下的穩(wěn)定性;
而椒鹽噪聲的添加則用于提升模型對隨機(jī)噪聲干
擾的抗擾能力。
圖 2 所示,本研究應(yīng)用了這些數(shù)據(jù)增強(qiáng)技術(shù),
并有效擴(kuò)充了數(shù)據(jù)集。 原始數(shù)據(jù)共收集了 1 057
張圖像(其中雌性 441 張、雄性 616 張),并將圖
像大小調(diào)整為 224 × 224 以便用于訓(xùn)練。 通過數(shù)
據(jù)增強(qiáng),數(shù)據(jù)集擴(kuò)展至 9 513 張圖像,其中包括
3 969 張雌性蟹圖像和 5 544 張雄性蟹圖像。 表 1
展示了數(shù)據(jù)增強(qiáng)后的圖像統(tǒng)計結(jié)果。 增強(qiáng)后的數(shù)
據(jù)集按 6 ∶ 2 ∶ 2 的比例分為 3 個子集:訓(xùn)練集
(5 707 張圖像)、驗證集(1 901 張圖像)和測試集
(1 905 張圖像)。
101
漁 業(yè) 現(xiàn) 代 化 2024 年
°°
B C
圖 2 數(shù)據(jù)增強(qiáng)
Fig. 2 Data augmentation
表 1 數(shù)據(jù)集概覽
Tab. 1 Dataset overview
性別
數(shù)據(jù)增強(qiáng)前
原始數(shù)據(jù)集 訓(xùn)練集 驗證集 測試集
數(shù)據(jù)增強(qiáng)后
增強(qiáng)后數(shù)據(jù)集 訓(xùn)練集 驗證集 測試集
雌性 441 264 88 89 3 969 2 381 793 795
雄性 616 369 123 124 5 544 3 326 1 108 1 110
1. 2 提出的改進(jìn)型 SE-ResNet18 模型
ResNet18 是 深 度 殘 差 網(wǎng) 絡(luò) ( Residual
Networks, ResNet)家族中的一種經(jīng)典模型[25,26]
,
由 18 個帶權(quán)重的層組成,包括 17 個卷積層和 1
個全連接層。 該模型通過使用殘差塊解決了梯度
消失問題,這些殘差塊將層的輸入加到輸出上,從
而保持梯度的流動,允許訓(xùn)練更深的網(wǎng)絡(luò)。 如圖
3a 所示,ResNet18 中的每個卷積層后面都緊跟一
個批量歸一化層和 ReLU 激活函數(shù)[27]
。 殘差塊
通過 1?1 卷積層連接,并通過恒等捷徑在內(nèi)部相
連。 圖 3b 展示了該模型的輸出架構(gòu)。 該架構(gòu)幫
助 ResNet18 有效學(xué)習(xí)和表達(dá)數(shù)據(jù)中的復(fù)雜特征,
從而提高了模型的準(zhǔn)確性和性能。
雖然 ResNet18 在許多任務(wù)中取得了顯著的
性能,但仍可以針對特定任務(wù)進(jìn)一步優(yōu)化。 在本
研究中,提出了一種改進(jìn)版本,稱為 SE-ResNet18,
集成了 Squeeze-and-Excitation(SE)模塊,以改進(jìn)
特征重校準(zhǔn)[28]
。 SE 模塊通過建模通道之間的相
互依賴性,自適應(yīng)地對通道級的特征響應(yīng)進(jìn)行重
校準(zhǔn)。 這一增強(qiáng)旨在通過讓模型更多地關(guān)注相關(guān)
特征,來提高在三疣梭子蟹性別分類任務(wù)中的
性能。
1. 2. 1 改進(jìn)的特征增強(qiáng)模塊
Squeeze-and -Excitation ( SE) 模塊旨在增強(qiáng)
神經(jīng)網(wǎng)絡(luò)中特征通道的重校準(zhǔn)[29]
,為更相關(guān)的特
征分配更高的權(quán)重,同時抑制不太重要的特征。
這一過程類似于注意力機(jī)制,使網(wǎng)絡(luò)在訓(xùn)練過程
中能夠自適應(yīng)地關(guān)注重要特征。 SE 模塊包含兩
個主 要 操 作: “ 壓 縮 ” ( squeeze ) 和 “ 激 勵 ”
(excitation)。 如圖 4 所示,在“壓縮” 階段,對每
102
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
個通道應(yīng)用全局平均池化,以生成通道描述符,從
而封裝輸入特征圖的全局信息。 接下來,“激勵”
階段通過全連接層轉(zhuǎn)換通道描述符,以生成每個
通道的權(quán)重。 這些權(quán)重通過 sigmoid 函數(shù)約束在
0~1 之間,然后與原始特征圖相乘,從而實現(xiàn)特
征重校準(zhǔn)。 該過程對通道間的依賴關(guān)系進(jìn)行建
模,并相應(yīng)地調(diào)整特征響應(yīng)[30]
。
(a) (b) ResNet-18
Conv2_x
F(x)
x
F(x) + x
Conv3_x
Conv4_x Conv5_x
Avgpool FC
Input Image BN MaxPool
Weight layer
Weight layer
ReLU
conv1
Stride=2
Stride=2
7×7 (64)
3×3
Output
圖 3 殘差學(xué)習(xí)模塊與模型架構(gòu)
Fig. 3 Residual learning module and model architecture
圖 4 Squeeze-and-Excitation 模塊
Fig. 4 Squeeze-and-Excitation Block
如圖 5 所示,SE-ResNet18 將 SE 模塊集成到
ResNet18 網(wǎng)絡(luò)中。 網(wǎng)絡(luò)總共有 22 層。 網(wǎng)絡(luò)開始
于一個尺寸為 7?7 的卷積核,步幅為 2,填充為
3 的初始卷積層。 接著是一個批量歸一化(BN)
層和 ReLU 激活函數(shù)。 然后,使用一個 3?3 的
最大池化層,步幅為 2,填充為 1,通過降維減少
參數(shù)數(shù)量,同時擴(kuò)展感受野以保留關(guān)鍵特征。
在 Conv2_x、Conv3_x、Conv4_x 和 Conv5_x 的殘
差塊中,每個卷積層后都連接了 SE 模塊,以增
強(qiáng)特征的重加權(quán)能力。 最后,使用全局平均池
化層,采用 AdaptiveAvgPool2d 將特征圖歸一化
為 1?1。 在 SE-ResNet18 中,全連接層的輸出神
經(jīng)元數(shù)量根據(jù)具體任務(wù)設(shè)置;在本任務(wù)中,設(shè)置
為 2,對應(yīng)于三疣梭子蟹的二分類任務(wù)。
103
漁 業(yè) 現(xiàn) 代 化 2024 年
圖 5 SE-ResNet18 結(jié)構(gòu)
Fig. 5 SE-ResNet18 structure
1. 2. 2 增強(qiáng)的全局平均池化模塊
全局 平 均 池 化 ( GAP ) 是 卷 積 神 經(jīng) 網(wǎng) 絡(luò)
(CNNs)中廣泛使用的空間降維技術(shù)。 其主要作
用是將特征圖轉(zhuǎn)換為一維向量,為后續(xù)的分類或
其他任務(wù)提供簡化的特征表示[31]
。 如圖 6 所示,
GAP 通過計算每個通道的特征圖中所有像素值
的平均值,生成該通道的標(biāo)量,將特征圖從原始的
w×h×c 大小縮減為 1×1×c 的向量。 與傳統(tǒng)的最
大池化和平均池化不同,GAP 有效地減少了模型
參數(shù)的數(shù)量,從而有助于減輕過擬合現(xiàn)象[32]
。 此
外,GAP 輸出向量的大小與特征圖的空間尺寸無
關(guān),使得 CNNs 能夠適應(yīng)不同大小的輸入圖像。
B C
圖 6 全連接層與全局平均池化層的對比
Fig. 6 Comparison of the FC layer and the GAP layer
GAP 的優(yōu)勢包括計算簡單和模型正則化。
在 CNN 的尾部,GAP 通常替代傳統(tǒng)的全連接層,
直接從特征圖的通道信息中提取特征。 每個通道
的均值不僅降低了最終特征向量的維度,還為每
個通道提供了更具體的語義信息,增強(qiáng)了網(wǎng)絡(luò)的
可解釋性。 通過這種方式,GAP 不僅提升了網(wǎng)絡(luò)
的泛化能力,還使得網(wǎng)絡(luò)結(jié)構(gòu)更加緊湊,減少了參
數(shù)和計算量。 作為一種結(jié)構(gòu)化的正則化方法,
GAP 通過網(wǎng)絡(luò)架構(gòu)來限制過擬合,與 Dropout 等
正則化方法相比,有助于優(yōu)化模型的訓(xùn)練過程。
1. 2. 3 訓(xùn)練優(yōu)化策略
優(yōu)化器用于更新網(wǎng)絡(luò)權(quán)重以最小化損失函
數(shù),對訓(xùn) 練 速 度 和 模 型 的 最 終 性 能 有 顯 著 影
響[33]
。 如圖 7 所示,本研究提出的 SE-ResNet18
104
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
模型的訓(xùn)練過程通過對比無優(yōu)化器、僅使用優(yōu)化
器以及使用優(yōu)化器加注意力機(jī)制的情況,表明缺
少優(yōu)化器時,模型的擬合速度較慢且難以提升性
能。 因此,對 SGD、AdaGrad、AdaMax 和 Adam 4
種優(yōu)化器的使用進(jìn)行了比較,結(jié)果如圖 8 所示。
添加優(yōu)化器后,模型的準(zhǔn)確率顯著提高[5]
。 根據(jù)
具體任務(wù)要求,選擇了 AdaMax 作為本研究的優(yōu)
化器。
Epochs/
SE-ResNet18
1.0
0.9
0.8
0.7
0.6
0.5
0.4
1.00
0.98
0.96
0.94
0.92
0.90
0.25
0.20
0.15
0.10
0.05
0.00 84 86 88 90 92 94
84 86 88 90 92 94
0 20 40 60 80 100 0 20 40 60 80 100
1.5
1.0
0.5
0
SE-ResNet18 ResNet18 ResNet18+Adamax ResNet18 ResNet18+Adamax
Epochs/
圖 7 不同優(yōu)化器下模型的訓(xùn)練損失和驗證準(zhǔn)確率對比
Fig. 7 Comparison of the proposed model's training loss and validation accuracy with different optimizers
100.0
99.8
99.6
99.4
99.2
99.0
0.034
0.032
0.030
0.028
0.026
0.024
0.035
0.032
0.023
0.024
SGD AdaGrad AdaMax Adam
99.2
99.5
99.0
99.1
圖 8 不同優(yōu)化器的準(zhǔn)確率對比
Fig. 8 Comparison of accuracy with different optimizers
1. 3 模型性能的評估指標(biāo)
使 用 了 準(zhǔn) 確 率 ( Accuracy, A )、 精 確 率
(Precision,P)、召回率(Recall,R)、F1 值和精確
率-召回率曲線下的面積(AUC-PR,S)
[34-37] 等指
標(biāo)評估模型的性能。 這些指標(biāo)為三疣梭子蟹雄性
和雌性分類任務(wù)提供了全面的評估。
準(zhǔn)確率(A)定義為正確分類樣本數(shù)與總樣本
數(shù)的比率,其公式為:
A =
TP
+ TN
TP
+ TN
+ FP
+ FN
(1)
式中:TP 表示真正類,TN 表示真負(fù)類,FP 表示假
正類,FN 表示假負(fù)類。
105
漁 業(yè) 現(xiàn) 代 化 2024 年
精確率(P),也稱為正預(yù)測值,量化了在所有
被預(yù)測為正類的樣本中,真正類樣本所占的比例。
其計算公式如下:
P =
TP
TP
+ FP
(2)
召回率(R),也稱為靈敏度或真正類率,衡量
的是在所有實際為正類的樣本中,真正類樣本所
占的比例。 其定義如下:
R =
TP
TP
+ FN
(3)
F1 值是精確率和召回率的調(diào)和平均值,提供
了一個平衡這兩者的單一指標(biāo)。 其表達(dá)式如下:
F1
=
2PR
P + R
(4)
精確率-召回率曲線下的面積( S)用于評估
分類模型在處理正類樣本時的表現(xiàn)。 該指標(biāo)的取
值范圍為 0~1,數(shù)值越接近 1 表示模型性能越好。
S 通過整合不同閾值下精確率和召回率之間的權(quán)
衡來衡量模型性能。 S 的公式如下所示:
S =∫
1
0
P(R)dR (5)
1. 4 交叉驗證方法
為了評估模型在不同數(shù)據(jù)劃分情況下的穩(wěn)定
性和泛化能力,本研究采用了 K 折交叉驗證方法
(K-fold Cross Validation),以確保模型性能評估
的客觀性和可靠性。 具體來說,我們將數(shù)據(jù)集劃
分為 10 份(即 K = 10),并對模型進(jìn)行了 10 折交
叉驗證,如圖 9 所示。 在每次迭代中,9 份數(shù)據(jù)用
于訓(xùn)練模型,1 份數(shù)據(jù)用于驗證模型,循環(huán)進(jìn)行
10 次,以保證每個子集都被用作驗證集一次。
圖 9 K 折交叉驗證示意圖
Fig. 9 Illustration of K-Fold cross validation
2 試驗及結(jié)果
2. 1 試驗設(shè)置
本研 究 的 SE-ResNet18 模 型 在 單 個 GPU
(RTX 3060 12G)上實現(xiàn)并進(jìn)行訓(xùn)練。 優(yōu)化器使
用 了 Adamax, 損 失 函 數(shù) 為 交 叉 熵 ( Cross -
Entropy)。 模型訓(xùn)練了 100 個周期,每個周期的
批量大小為 64,初始學(xué)習(xí)率設(shè)定為 0. 01。 試驗環(huán)
境與參數(shù)如上所述,能夠確保模型在穩(wěn)定的學(xué)習(xí)
速率和合適的批量大小下逐步優(yōu)化并收斂。 三疣
梭子蟹的雌雄分類過程如圖 10 所示。 首先,將圖
像分類為雄性和雌性,以構(gòu)建原始數(shù)據(jù)集。 然后
將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集。 基于
該數(shù)據(jù)集,訓(xùn)練 SE-ResNet18 模型以識別雄性和
雌性圖像的特征。 最后,使用訓(xùn)練好的模型對測
試集中的雄性和雌性類別進(jìn)行預(yù)測,并得到分類
結(jié)果。
106
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
圖 10 數(shù)據(jù)采集與分類工作流程
Fig. 10 Data acquisition and classification workflow
2. 2 試驗結(jié)果
如圖 11 所示,SE-ResNet - 18 模型在訓(xùn)練集
和驗證集上的訓(xùn)練過程展示了該模型的性能。 在
驗證集上,損失值下降至約 0. 024,模型的準(zhǔn)確率
達(dá)到了 99. 47%。 這些結(jié)果表明,SE-ResNet - 18
模型通過引入注意力機(jī)制,能夠有效提取雄性和
雌性螃蟹圖像中的區(qū)分性特征,從而增強(qiáng)了三疣
梭子蟹的性別分類性能。
Epochs/ Epochs/
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0 20 40 60 80 100 0 20
40 60 80 100
100
90
80
70
60
50
40
30
20
10
(a)
(b)
Epochs/ Epochs/
0 20 40 60 80 100 0 20
40 60 80 100
(a)
Epochs/
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0 20 40 60 80 100
(a)
(b)
圖 11 SE-ResNet18 模型性能
Fig. 11 SE-ResNet18 model performance
注意力機(jī)制使模型在處理序列數(shù)據(jù)時能夠更
高效地聚焦關(guān)鍵信息,從而提升性能。 為了進(jìn)行
對比,還對不含注意力機(jī)制的 ResNet18 模型進(jìn)行
了訓(xùn)練。 如圖 11 所示,注意力機(jī)制使得模型在處
理數(shù)據(jù)時能夠更集中于關(guān)鍵部分,使用更短的訓(xùn)
練周期穩(wěn)定了模型的損失和準(zhǔn)確率。 相比之下,
未使用注意力機(jī)制的模型在訓(xùn)練過程中波動較
大。 引入 SE 注意力機(jī)制增強(qiáng)了模型的穩(wěn)定性和
泛化能力。
SE-ResNet18 模型經(jīng)過訓(xùn)練后達(dá)到了 99. 5%
的最佳準(zhǔn)確率,并將最終的權(quán)重保存用于測試及
評估。 圖 12 中的混淆矩陣展示了三疣梭子蟹的
二分類結(jié)果,詳細(xì)列出了真正類( TP )、假正類
(FP)、真負(fù)類(TN)和假負(fù)類(FN)的情況。 圖 13
展示了雄性和雌性分類的性能指標(biāo),包括雄性、雌
性、宏平均和加權(quán)平均組的精確率、召回率、F1
值、準(zhǔn)確率和平均精確度(mAP)。 每項指標(biāo)均超
過 99%,凸顯了該模型在不同評估標(biāo)準(zhǔn)下的穩(wěn)健
性和可靠性。
如圖 14 所示,SE-ResNet18 模型在測試集上
的 AUC-PR 值接近 1,表明其分類性能非常高。
這說明該模型具有極強(qiáng)的能力,能夠以高精確率
107
漁 業(yè) 現(xiàn) 代 化 2024 年
和高召回率檢測正類樣本,準(zhǔn)確區(qū)分正類和負(fù)類。
這一較高的 AUC-PR 值進(jìn)一步強(qiáng)調(diào)了 SE-ResNet
-18 模型在三疣梭子蟹雌雄二分類任務(wù)中的穩(wěn)健
性和可靠性。
0.8
0.6
0.4
0.2
0.8
0.6
0.4
0.2
0.02 15
3
780 0.98
0 1 1107
圖 12 混淆矩陣
Fig. 12 Confusion matrix of the model
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
99.01%
99.46%
99.24% 99.24%
98.62% 98.62%
99.94%
99.13% 99.11%
99.04% 99.04% 99.08%
99.94%
99.11% 99.11% 99.11%
99.92%
98.93%
99.46%
99.95%
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
F1-Scure
mAP
F1-Scure
mAP
F1-Scure
mAP
F1-Scure
mAP
圖 13 SE-ResNet18 模型的性能指標(biāo)
Fig. 13 Performance metrics of SE-ResNet18 model
108
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
0.0 0.2 0.4
1.0
0.8
0.6
0.4
0.2
0.0
0.6
0.8 0.10
13
0.0 0.2 0.4
1.0
0.8
0.6
0.4
0.2
0.0
0.6
0.8 0.10
13
圖 14 SE-ResNet18 模型的 AUC-PR 曲線
Fig. 14 AUC-PR curve for SE-ResNet18 model
2. 3 交叉驗證結(jié)果
在 10 折交叉驗證中,對每個折進(jìn)行了訓(xùn)練
和驗證,取得了良好的模型性能表現(xiàn)。 在每個折
疊中,模型經(jīng)過 10 個訓(xùn)練周期后,均表現(xiàn)出了較
高的準(zhǔn)確率。 在交叉驗證的 10 個折中,模型在
大多數(shù)折疊中都表現(xiàn)出優(yōu)異的準(zhǔn)確率,平均準(zhǔn)確
率達(dá)到 99. 17%,如圖 15 所示。
Fold1 Fold2 Fold3 Fold4 Fold5 Fold6 Fold7 Fold8 Fold9 Fold10
99.8
99.6
99.4
99.2
99.0
98.8
圖 15 10 折交叉驗證結(jié)果
Fig. 15 10-fold cross-validation results
3 討論
3. 1 分類效果分析
為了驗證 SE-ResNet18 模型的改進(jìn)效果,與
原始 ResNet18 模型進(jìn)行對比試驗,以分析注意力
機(jī)制對模型收斂速度和分類性能的影響。 結(jié)果顯
示,SE 模塊的引入顯著提升了模型的穩(wěn)定性和泛
化能力,尤其在訓(xùn)練過程中顯著加快了模型的收
斂速度。 為了進(jìn)一步評估 SE-ResNet18 模型的實
際有效性,使用實驗室流水線相機(jī)拍攝的圖像來
驗證其分類性能。 結(jié)果如圖 16 所示,模型對雄性
蟹的識別準(zhǔn)確率為 99. 68%,對雌性蟹的識別準(zhǔn)
109
漁 業(yè) 現(xiàn) 代 化 2024 年
確率為 99. 74%。 在 10 折交叉驗證中,模型的平
均準(zhǔn)確率達(dá)到了 99. 17%。 這些結(jié)果表明, SEResNet18 模型在實際應(yīng)用中具有較高的準(zhǔn)確性
和穩(wěn)定性,適用于水產(chǎn)養(yǎng)殖以及后續(xù)三疣梭子蟹
加工場景,有望提升生產(chǎn)操作的效率和準(zhǔn)確性。
99.74% 100
80
60
40
20
0
100
80
60
40
20
0
99.68%
0.32%
0.26%
圖 16 SE-ResNet18 模型的分類準(zhǔn)確率
Fig. 16 Classification accuracy of SE-ResNet18 model
3. 2 與其他分類模型的對比分析
經(jīng)過 100 個訓(xùn)練周期后,SE-ResNet18 模型相
較于其他經(jīng)典的 CNN 模型表現(xiàn)更出色。 如圖 17
所示,SE-ResNet18 模型達(dá)到了 99. 5%的最高準(zhǔn)
確率, 超過了 AlexNet ( 71. 1%)
[3]
、 VGGNet - 16
( 58. 3%)
[38]
、 GoogLeNet ( 97. 0%)
[39]
、 YOLOv5
( 97. 2%)
[40]
、 YOLOv8 ( 98. 8%)
[41]
、 YOLOv10
(99. 1%)
[42] 和 ResNet18(95. 9%)。 對比分析表
明,SE-ResNet18 在三疣梭子蟹性別分類任務(wù)中
展現(xiàn)了極高的準(zhǔn)確性和可靠性,尤其在分類任務(wù)
中表現(xiàn)突出,具有顯著的優(yōu)勢。
AlexNct VGGNet-16 GoogleNet YOLOv5 YOLOv8 YOLOv10 ResNet18 SE-ResNet18
71.1%
58.3%
100 97.0%
80
60
40
20
0
97.2% 98.8% 99.1% 95.9%
99.5%
圖 17 不同分類模型的性能比較
Fig. 17 Performance comparison of different classification models
110
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
3. 3 誤分類原因與解釋性分析
解釋性分析技術(shù),如熱圖和 SHAP ( Shapley
加性解釋)
[43]
,在可視化數(shù)據(jù)特征對模型預(yù)測的
影響方面具有重要價值。 在深度學(xué)習(xí)中,這些技
術(shù)有助于闡明卷積神經(jīng)網(wǎng)絡(luò)(CNN) 對模型決策
貢獻(xiàn)最大的部分。 類激活映射(CAM) 用于可視
化圖像不同區(qū)域?qū)δＰ头诸惸芰Φ挠绊憽?CAM
從網(wǎng)絡(luò)最后一個卷積層的特征圖生成空間熱圖,
并通過加權(quán)的全局平均池化(GAP) 突出影響模
型預(yù)測的區(qū)域。 如圖 18 所示,“熱點(diǎn)”區(qū)域(通常
以紅色表示)對模型的分類具有顯著影響。 特別
是模型對螃蟹的白色區(qū)域(如腹部)高度敏感,這
有時會導(dǎo)致測試樣本中的誤分類。 熱圖展示了這
種敏感性,顯示了特定的腹部區(qū)域如何影響模型
正確分類螃蟹性別的能力[44]
。
此外,SHAP 值提供了相對于平均預(yù)測的特
征貢獻(xiàn)的見解。 圖 19a 展示了 SHAP 值圖,其中
粉紅色區(qū)域顯著影響模型的預(yù)測。 圖 19b 顯示了
深度特征分解(DFF)圖,表明模型主要依賴于腹
部特征進(jìn)行性別分類。
B
C
圖 18 用于分類的 CAM 熱圖
Fig. 18 CAM Heatmaps for Classification.
這些可解釋性分析表明,盡管模型能夠有效
區(qū)分雄性和雌性螃蟹,但誤分類通常源于某些特
定的視覺特征,如腹部的顏色差異。 增加具體的
誤分類示例可以幫助更好地理解這些誤分類的原
因,未來研究將致力于減少這些視覺特征相似性
帶來的誤分類問題。
(a) SHAP (b) DFF
SHAP
-0.000 3 -0.000 2 -0.000 1 0.000 0 0.000 1 0.000 2 0.000 3
圖 19 模型解釋性與特征提取對比
Fig. 19 Comparison of model interpretability and feature extraction
3. 4 實際應(yīng)用與局限性
SE-ResNet18 模型在提升三疣梭子蟹性別分
類的效率和準(zhǔn)確性方面表現(xiàn)優(yōu)異,試驗表明其分
類精度較高。 然而,模型在邊緣設(shè)備上的部署仍
面臨挑戰(zhàn)。 雖然 SE 模塊增強(qiáng)了特征權(quán)重分配能
力,但由于網(wǎng)絡(luò)較深,計算復(fù)雜度較高,使得模型
在低計算能力的設(shè)備上效率不高[45]
。 為提升其
在邊緣設(shè)備上的適用性,未來的改進(jìn)方向應(yīng)集中
于通過 模 型 剪 枝、 量 化 等 技 術(shù) 降 低 計 算 復(fù) 雜
度[46]
。 與輕量級網(wǎng)絡(luò)如 MobileNetV3
[47] 相比,
SE-ResNet18 的參數(shù)量較大,功耗和實時性稍有
不足。 因此,未來研究將專注于在保持分類準(zhǔn)確
率的同時,減少模型參數(shù)和計算量,以提高其計算
效率和環(huán)境適應(yīng)性,增強(qiáng)在實際應(yīng)用中的廣泛適
用性。
4 結(jié)論
本研究提出了一種創(chuàng)新性深度學(xué)習(xí)模型 SEResNet18,通過結(jié)合 Squeeze-and-Excitation( SE)
模塊,模型能夠更有效地聚焦關(guān)鍵特征,顯著提高
111
漁 業(yè) 現(xiàn) 代 化 2024 年
了分類的準(zhǔn)確性和效率,在深度學(xué)習(xí)領(lǐng)域中引入
了注意力機(jī)制,為水產(chǎn)養(yǎng)殖和海產(chǎn)品加工自動化
提供了新的解決方案,有助于提升生產(chǎn)效率并降
低人工成本。 本研究通過 SE 模塊增強(qiáng)卷積神經(jīng)
網(wǎng)絡(luò)的特征選擇能力,使得模型在性別分類任務(wù)
中的性能超越了傳統(tǒng)方法。 此外,提出了一種在
準(zhǔn)確性和計算效率之間取得平衡的優(yōu)化方案,為
未來模型在邊緣設(shè)備上的部署提供了參考。 未來
的研究將進(jìn)一步探索 SE-ResNet18 模型在其他水
產(chǎn)養(yǎng)殖場景中的適用性,并重點(diǎn)增強(qiáng)模型在復(fù)雜
環(huán)境條件下的泛化能力,以推動深度學(xué)習(xí)技術(shù)在
漁業(yè)領(lǐng)域的廣泛應(yīng)用。 □
參考文獻(xiàn)
[1] XU G, ZHU W, XU L. Gillnet selectivity for swimming crab
Portunus trituberculatus in the East China Sea [ J]. Fisheries
Science, 2021, 87(1): 31-38.
[2] WANG Y, GAO L, CHEN Y. Assessment of Portunus
(Portunus) trituberculatus (Miers, 1876) stock in the northern
East China Sea[J]. Indian Journal of Fisheries, 2018, 65(4):
28-35.
[3] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet
classification with deep convolutional neural networks [ J ].
Communications of the ACM, 2017, 60(6): 84-90.
[4] RAWAT W, WANG Z. Deep convolutional neural networks for
image classification: A comprehensive review [ J ]. Neural
Computation, 2017, 29(9): 2352-2449.
[5] SHAFIQ M, GU Z. Deep residual learning for image
recognition: A survey [ J ]. Applied Sciences, 2022, 12
(18): 8972.
[6] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature
hierarchies for accurate object detection and semantic
segmentation [ C ] / / Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition ( CVPR ). USA:
IEEE Computer Society, 2014: 580-587.
[7] 張青祥,陳傳奇,婁湘琴,等. 基于 GA-BP 神經(jīng)網(wǎng)絡(luò)的鲅魚
鮮味肽美拉德反應(yīng)增鮮研究[ J]. 南方農(nóng)業(yè)學(xué)報,2024,55
(6):1733-1743.
[8] YAN Z, CAO Y, LI S. Design of automatic grading control
system of crab and its control program based on image recognition
[J]. Food and Machinery, 2015, 31(6): 580-587.
[9] BALURAN C I A, ARBOLEDA E R, DIZON M G, et al. Crab
gender classification using image processing, fuzzy logic and K
nearest neighbor (KNN) classifier[ J]. International Journal of
Scientific & Technology Research, 2019, 8(10): 1458-1462.
[10]CUI Y, PAN T, CHEN S, et al. A gender classification method
for Chinese mitten crab using deep convolutional neural network
[J]. Multimedia Tools and Applications, 2020, 79( 11 / 12):
7669-7684.
[11]WANG H, ZHU H, BI L, et al. Quality grading of river crabs
based on machine vision and GA-BPNN[J]. Sensors, 2023, 23
(11): 5317.
[12] YAO J, TRAN S N, ZHANG L, et al. Deep learning for
effective gender classification of Tasmania giant crabs [ C] / /
Proceedings of IEEE, Gold Coast, Australia: IEEE, 2023:
1-8.
[13]魏天琪,鄭雄勝,李天兵,等. 基于多組卷積神經(jīng)網(wǎng)絡(luò)的梭子
蟹性別識別研究[J]. 南方水產(chǎn)科學(xué), 2024, 20(1): 89-98.
[ 14] LIU S, JIANG W, WU L, et al. Real-time classification of
rubber wood boards using an SSR-based CNN [ J ]. IEEE
Transactions on Instrumentation and Measurement, 2020, 69
(11): 8725-8734.
[15]GAO M, QI D, MU H, et al. A transfer residual neural network
based on ResNet-34 for detection of wood knot defects [ J].
Forests, 2021, 12(2): 212.
[16]BHATT D, PATEL C, TALSANIA H, et al. CNN variants for
computer vision: history, architecture, application, challenges
and future scope[J]. Electronics, 2021, 10(20): 2470.
[17]ZHANG C, BENGIO S, HARDT M, et al. Understanding deep
learning ( still ) requires rethinking generalization [ J ].
Communications of the ACM, 2021, 64(3): 107-115.
[18]BELKIN M, HSU D, MA S, et al. Reconciling modern machinelearning practice and the classical bias – variance trade-off[J].
Proceedings of the National Academy of Sciences, 2019, 116
(32): 15849-15854.
[19]JIANG L, WANG Y, TANG Z, et al. Casting defect detection in
X-ray images using convolutional neural networks and attentionguided data augmentation [ J ]. Measurement, 2021,
170:108736.
[20]LIU S, JIANG H, WU Z, et al. Rolling bearing fault diagnosis
using variational autoencoding generative adversarial networks
with deep regret analysis [ J ]. Measurement, 2021,
168: 108371.
[21] ZHANG W, LI X, JIA X D, et al. Machinery fault diagnosis
with imbalanced data using deep generative adversarial networks
[J]. Measurement, 2020, 152: 107377.
[ 22] AGHNIA FARDA N, LAI J Y, WANG J C, et al. Sanders
classification of calcaneal fractures in CT images with deep
learning and differential data augmentation techniques [ J ].
Injury, 2021, 52(3): 616-624.
[23] HAN S, OH S, JEONG J. Bearing fault diagnosis based on
multiscale convolutional neural network using data augmentation
[J]. Journal of Sensors, 2021, 2021: 1-14.
[24] KIM H C, KANG M J. A comparison of methods to reduce
overfitting in neural networks [ J ]. International Journal of
Advanced Smart Convergence, 2020, 9(2): 173-178.
[ 25 ] ZEESHAN ALI H, KABIR S, ULLAH G. Indoor scene
recognition using ResNet-18 [ J ]. International Journal of
112
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法
Research Publications, 2021, 69(1): 148-154.
[26] HE K, ZHANG X, REN S, et al. Deep residual learning for
image recognition[C] / / Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition ( CVPR ), USA:
IEEE, 2016: 770-778.
[27] ZENG F, HU W, HE G, et al. Imbalanced Thangka image
classification research based on the ResNet network[J]. Journal
of Physics: Conference Series, 2021, 1748(4): 042054.
[28] ROY A G, NAVAB N, WACHINGER C. Concurrent spatial
and channel squeeze & excitation in fully convolutional networks
[C] / / In: FRANGI A F, SCHNABEL J A, DAVATZIKOS C,
ALBEROLA-LóPEZ C, FICHTINGER G, eds. Proceedings of
the International Conference on Medical Image Computing and
Computer-Assisted Intervention ( MICCAI ), LNCS 11070,
Springer,2018: 421-429.
[29]肖鵬程,徐文廣,張妍,等. 基于 SE 注意力機(jī)制的廢鋼分類
評級方法[J]. 工程科學(xué)學(xué)報,2023,45(8):1342-1352.
[30] GAO S H, CHENG MM, ZHAO K, et al. Res2Net: A new
multi-scale backbone architecture [ J]. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 2021, 43(2): 652-
662.
[31]周宇球,葉曉冬,楊海潮. 基于殘差神經(jīng)網(wǎng)絡(luò)的視頻安防行
人識別研究[J]. 城市建設(shè)理論研究(電子版), 2024(17):
223-225.
[32] ZHOU B, KHOSLA A, LAPEDRIZA A, et al. Learning deep
features for discriminative localization[C] / / Proceedings of the
IEEE Conference on Computer Vision and Pattern Recognition
(CVPR), Las Vegas, NV, USA: IEEE, 2016: 2921-2929.
[33 ] REYAD M, SARHAN A, ARAFA M. A modified Adam
algorithm for deep neural network optimization [ J ]. Neural
Computing and Applications, 2023, 35:17095-17112.
[34]LANG H T, WU S W. Ship classification in moderate-resolution
SAR image by naive geometric features-combined multiple kernel
learning [ J]. IEEE Geoscience and Remote Sensing Letters,
2017, 14(10): 1765-1769.
[35]ZHANG T W, ZHANG X L, KE X, et al. HOG-ShipCLSNet: a
novel deep learning network with HOG feature fusion for SAR
ship classification [ J]. IEEE Transactions on Geoscience and
Remote Sensing, 2021, 60: 1-22.
[36] D J J, BARNES C M, MANSO L J, et al. Fruit quality and
defect image classification with conditional GAN data
augmentation[J]. Scientia Horticulturae, 2022, 10: 1-11.
[37]CEN F, ZHAO X Y, LI W Z, et al. Deep feature augmentation
for occluded image classification [ J ]. Pattern Recognition,
2021, 10: 1-13.
[38 ] SIMONYAN K, ZISSERMAN A. Very deep convolutional
networks for large-scale image recognition [C] / / Proceedings of
the International Conference on Learning Representations
(ICLR), 2015. San Diego: ICLR, 2015: 1-14.
[ 39 ] WANG J, CHEN Y, DONG Z, et al. Improved YOLOv5
network for real-time multi-scale traffic sign detection [ J ].
Neural Computing and Applications, 2023, 35 ( 10 ):
7853-7865.
[40]ZHU J, HU T, ZHENG L, et al. YOLOv8-C2f-Faster-EMA: an
improved underwater trash detection model based on YOLOv8
[J]. Sensors, 2024, 24(8): 2483.
[41]楊勇,萬超倫,馬建友,等. 大模型數(shù)據(jù)擴(kuò)增技術(shù)在輸電線路
智能監(jiān)控中的應(yīng)用研究[J]. 郵電設(shè)計技術(shù),2024(9):31-37.
[42] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with
convolutions [ C ] / / Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition ( CVPR ), USA:
IEEE, 2015: 1-9.
[43]LUNDBERG S M, LEE S I. A unified approach to interpreting
model predictions [ C]. Proceedings of the 31st International
Conference on Neural Information Processing Systems
(NeurIPS), 2017: 4765-4774.
[44]SELVARAJU RR, COGSWELL M, DAS A, et al. Grad-CAM:
visual explanations from deep networks via gradient-based
localization [ C ] / / Proceedings of the IEEE International
Conference on Computer Vision ( ICCV ), Venice: IEEE,
2017: 618-626.
[45] SHUVO MM H, ISLAM S K, CHENG J, et al. Efficient
acceleration of deep learning inference on resource-constrained
edge devices: a review[ J]. Proceedings of the IEEE, 2023,
111(1): 42-91.
[46] MENGHANI G. Efficient deep learning: a survey on making
deep learning models smaller, faster, and better [ J]. ACM
Computing Surveys, 2023, 55(12): 1-37.
[47] HOWARD A, SANDLER M, CHU G, et al. Searching for
MobileNetV3 [ C ] / / Proceedings of the 2019 IEEE/ CVF
International Conference on Computer Vision ( ICCV), Seoul,
Korea (South), IEEE, 2019: 1314-1324.
113
漁 業(yè) 現(xiàn) 代 化 2024 年
Research on sex classification method of Portunus trituberculatus
based on SE-ResNet18 model
WANG Richeng, ZHENG Xiongsheng, GAO Yufeng, HUANG Wenwei
(School of Marine Engineering Equipment, Zhejiang Ocean University, Zhoushan 316002, China)
Abstract: Portunus trituberculatus, a crustacean species of significant economic value, is important in
aquaculture and seafood processing. Accurate sex classification is critical for optimizing aquaculture strategies
and improving operational efficiency in these industries. Traditional manual methods for sex classification are
labor-intensive and prone to errors, highlighting the need for automated solutions. This study proposes an
automated sex classification method based on deep learning, utilizing the SE-ResNet18 model, an enhanced
variant of ResNet-18. The SE-ResNet18 model incorporates the Squeeze-and-Excitation ( SE) module and
global average pooling, enabling it to emphasize key feature channels selectively. The model was trained and
validated on a large dataset of male and female Portunus trituberculatus images, with data augmentation
techniques applied to improve generalization. The results show that SE-ResNet18 achieves a classification
accuracy of 99. 5%, nearly 4 percentage points higher than ResNet-18. Specifically, male crabs were
classified with 99. 68% accuracy, and female crabs with 99. 74%. The model's robustness was tested under
varying conditions, confirming its suitability for real-world applications in automated seafood processing and
aquaculture. In conclusion, SE-ResNet18 offers a highly accurate and scalable solution for sex classification in
Portunus trituberculatus, with the potential to significantly enhance productivity and efficiency in the
aquaculture industry.
Key words:Portunus trituberculatus; sex classification; deep learning; SE-ResNet18; aquaculture
114
第 51 卷第 6 期 漁 業(yè) 現(xiàn) 代 化 Vol. 51 No. 6
2024 年 12 月 FISHERY MODERNIZATION Dec. 2024
DOI:10. 3969 / j. issn. 1007-9580. 2024. 06. 012 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):
謝小文,袁紅春. 基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng) [J]. 漁業(yè)現(xiàn)代化,2024,51(6):115-124.
收稿日期:2024-10-07
基金項目:國家自然科學(xué)基金項目“基于海洋大數(shù)據(jù)深度學(xué)習(xí)的漁情預(yù)測模型研究(41776142)”
作者簡介:謝小文(2001—),男,碩士研究生,研究方向:人工智能應(yīng)用。 E-mail:2334540259@ qq. com
通信作者:袁紅春(1971—),男,教授,研究方向:人工智能應(yīng)用。 E-mail:hcyuan@ shou. edu. cn
基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng)
謝小文,袁紅春
(上海海洋大學(xué)信息學(xué)院,上海 201306)
摘要:為解決水下圖像常見的顏色失真、對比度降低以及有監(jiān)督方法在缺乏大規(guī)模成對的高質(zhì)量水下圖像數(shù)
據(jù)集支持時效果一般等問題,提出了一種無監(jiān)督水下圖像增強(qiáng)方法,該方法利用條件變分自動編碼器
(cVAE)結(jié)合概率自適應(yīng)實例歸一化(PAdaIN)以及多色空間拉伸技術(shù),旨在提高生成圖像的視覺質(zhì)量,確保
生成圖像與原始輸入圖像在視覺上具有一致性。 此外,多尺度殘差連接模塊有效減少了非關(guān)鍵信息的傳遞,
進(jìn)一步提升了模型的性能。 該方法提供了一個以依賴參考圖像作為訓(xùn)練數(shù)據(jù)的替代方案。 結(jié)果顯示,該方
法在測試集上的峰值信噪比(PSNR)和結(jié)構(gòu)相似性指數(shù)( SSIM)分別比 FunieGAN 和 Water-Net 提升 12%和
3%,顯著改善了增強(qiáng)后圖像的視覺效果,同時,該方法在不同測試集上的優(yōu)異表現(xiàn)也驗證了其良好的泛化能
力。 研究表明,該方法在無需參考圖像的情況下,顯著改善了水下圖像的質(zhì)量,有效提升了圖像的細(xì)節(jié)和色
彩校正,為水產(chǎn)養(yǎng)殖和海洋監(jiān)測提供了一個有效的解決方案。
關(guān)鍵詞:水下圖像增強(qiáng);無監(jiān)督學(xué)習(xí); 多尺度殘差連接;圖像處理;概率模型
中圖分類號:TP391. 4 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0115-010
隨著對水下環(huán)境研究的深入,漁業(yè)領(lǐng)域逐漸
認(rèn)識到水下圖像質(zhì)量對資源評估、捕撈策略及漁
場管理的重要性。 然而,由于水下環(huán)境的復(fù)雜性,
實際獲取的圖像常常存在退化現(xiàn)象,包括對比度
不足、細(xì)節(jié)模糊和色彩失真,這些問題影響了水下
圖像的質(zhì)量,嚴(yán)重妨礙了對漁業(yè)資源的精準(zhǔn)觀察
與分析[1-2]
,對水產(chǎn)養(yǎng)殖、漁業(yè)監(jiān)測等實際應(yīng)用造
成了不利影響[ 3 ]
。
應(yīng)用圖像增強(qiáng)技術(shù)能夠有效改善這些缺陷,
提升圖像的清晰度與可視性,從而支持對水下生
物和物理特征(如魚群分布、棲息地狀況及水質(zhì)
變化)的準(zhǔn)確識別與分析[ 4 - 5 ]
。 傳統(tǒng)的水下圖像
增強(qiáng)方法基于水下圖像的物理特性而提出。 如基
于歸一化的方法[6]
、基于 Retinex 理論的方法[7]
等,這些方法研究了由于顏色偏差或散射造成的
退化物理機(jī)制,并對其進(jìn)行補(bǔ)償以增強(qiáng)水下圖像。
然而,這些基于物理模型的方法表征能力有限,無
法處理水下場景中所有復(fù)雜的物理和光學(xué)因素,
這導(dǎo)致在高度復(fù)雜和多樣的水下場景中增強(qiáng)效果
不佳。 近幾年,隨著深度學(xué)習(xí)技術(shù)的引入,特別是
通過基于卷積神經(jīng)網(wǎng)絡(luò)的方法[8] 首次被應(yīng)用于
水下圖像增強(qiáng)領(lǐng)域,將模糊和顏色失真的圖像轉(zhuǎn)
化為清晰度更高、色彩更為鮮艷的圖像,但仍然存
在色 偏、 對 比 度 低 以 及 噪 聲 較 大 等 問 題。
Krishnan 等[9]提出了一種利用殘差神經(jīng)網(wǎng)絡(luò)增強(qiáng)
水下圖像的方法,有效地將模糊的水下圖像轉(zhuǎn)化
為清晰的圖像。 Chen 等[10] 提出了一種混合式水
下圖像增強(qiáng)技術(shù),該方法通過利用霧線先驗從退
化的水下圖像中恢復(fù)出清晰的水下圖像,引入對
比度增強(qiáng)方法來豐富色彩和細(xì)節(jié),解決了水下圖
像對比度低、色偏的問題。 Luo 等[11] 提出了一種
多分支特征融合網(wǎng)絡(luò),可以同時恢復(fù)和增強(qiáng)水下
圖像,在保持內(nèi)容風(fēng)格和空間紋理的同時提高色
彩表現(xiàn)。
Chai 等[12]提出了一種基于物理成像模型的
無監(jiān)督水下圖像增強(qiáng)方法,該方法將水下圖像分
漁 業(yè) 現(xiàn) 代 化 2024 年
解為場景輻射度、直接傳輸圖、反向散射傳輸圖和
全局背景光 4 個組成部分,通過自監(jiān)督的方式組
合,實現(xiàn)水下圖像的重建。 Lu 等[13] 提出了一種
融合循環(huán)生成對抗網(wǎng)絡(luò)和結(jié)構(gòu)相似性函數(shù)的多尺
度循環(huán)生成網(wǎng)絡(luò)方法[14]
,將圖像從渾濁的風(fēng)格轉(zhuǎn)
換成清晰的風(fēng)格,從而達(dá)到了無監(jiān)督水下圖像增
強(qiáng)的目的,改善水下圖像的質(zhì)量。
上述方法主要依賴成對的數(shù)據(jù)集進(jìn)行訓(xùn)練,
通過學(xué)習(xí)大量數(shù)據(jù)集,提升了圖像的清晰度和色
彩表現(xiàn)。 然而,這些方法對大規(guī)模高質(zhì)量圖像數(shù)
據(jù)集的依賴使得其在實際應(yīng)用中受到限制[15]
,特
別是在缺乏參考圖像的情況下,增強(qiáng)效果不佳。
近年來,學(xué)者嘗試將無監(jiān)督學(xué)習(xí)引入水下圖像增
強(qiáng)領(lǐng)域,旨在解決上述問題。 無監(jiān)督學(xué)習(xí)方法不
需要大量配對數(shù)據(jù)集,能夠更靈活地處理水下圖
像的增強(qiáng)任務(wù)[16]
。 然而,現(xiàn)有的無監(jiān)督方法在生
成圖像的質(zhì)量上仍存在不足,尤其在色偏糾正和
細(xì)節(jié)還原方面表現(xiàn)不佳。
本研 究 提 出 了 一 種 基 于 多 尺 度 殘 差 塊
(Multi-scale Residual Connection Block,MRCB)的
水下圖像自適應(yīng)增強(qiáng)方法,利用無監(jiān)督學(xué)習(xí)策略,
有效改善了水下圖像的對比度和色彩表現(xiàn),同時
提升了細(xì)節(jié)清晰度,為水產(chǎn)養(yǎng)殖與海洋生態(tài)監(jiān)測
提供了可靠的技術(shù)支持。
1 研究方法
1. 1 網(wǎng)絡(luò)體系結(jié)構(gòu)
模型主要由參考圖像生成模塊、多尺度殘差
連接模塊 以及概率模塊 PAdaIN 構(gòu)成,分為訓(xùn)練
階段和測試階段。 輸入的三維水下圖像范圍在
0~1 之間,通過 U-Net 提取特征,并利用 PAdaIN
等模塊生成增強(qiáng)圖像,具體如圖 1 所示。
6
+
)HDWXUH ([WUDFWRU
7UDLQ
)HDWXUH ([WUDFWRU
7HVW
3ULRU %ORFN
3RVWHULRU %ORFN
&RQY/HDN\\5H/8 h 0D[SRROLQJ 6H5HV1HW %ORFN 8SVDPSOLQJ 3$GD,1 )HDWXUHV 05&%
圖 1 網(wǎng)絡(luò)結(jié)構(gòu)圖
Fig. 1 Network structure diagram
在訓(xùn)練階段,首先通過參考圖像生成模塊創(chuàng)
建相應(yīng)的參考圖像,然后對參考圖像進(jìn)行特征提
取處理,得到一系列特征表示。 接著,這些特征表
示分別輸入后驗塊和先驗塊進(jìn)行進(jìn)一步計算和優(yōu)
116
第 6 期 謝小文等:基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng)
化。 最終,這兩個塊的輸出結(jié)果被融合,形成完整
的模型。
在測試階段,輸入圖像同樣經(jīng)過特征提取模
塊處理,獲得對應(yīng)的特征表示。 這些特征表示隨
后送入后驗塊和先驗塊進(jìn)行計算,最終輸出結(jié)果
被融合,生成增強(qiáng)圖像。 本研究提出的模型采用
分層學(xué)習(xí)的方法,通過多層次的特征提取和融合,
實現(xiàn)了高效的圖像處理和增強(qiáng)。 同時,參考圖像
生成模塊能夠更好地模擬真實場景,提高模型的
泛化能力。
1. 2 參考圖像生成模塊
參考圖像生成模塊主要使用顏色校正的方法
來生成參考圖像,通過將參考圖像 RGB 值轉(zhuǎn)換為
最佳 RGB 值來改善生成的參考圖像的顏色和對
比度,這一過程包括確定適用于色彩中性拍攝對
象的相機(jī)白平衡,以及去除透鏡眩光和紅綠色差
的影響。 顏色校正方法主要用于已知紅色、綠色
和藍(lán)色(RGB)平均值和標(biāo)準(zhǔn)偏差的情況,使用非
參數(shù)方法進(jìn)行顏色校正[17]
,能夠?qū)崿F(xiàn) RGB 顏色
通道中像素值的新統(tǒng)計分布。 參考圖像生成模塊
主要由兩個部分組成:雙統(tǒng)計平衡模塊( Dualstatistic White Balance Module)和多色空間拉伸模
塊(Stretch Module),其結(jié)構(gòu)如圖 2 所示。
為了將不確定性引入數(shù)據(jù)集,對原始圖像進(jìn)
行對比度和飽和度調(diào)整以及伽馬校正,通過這些
變換可以更加有效地模擬水中常見的失真等現(xiàn)
象,具體如公式(1)所示:
y = (x - m) × α + x (1)
式中: x 和 y 表示退化圖像和增強(qiáng)圖像, m 表示每
個通道的平均值, α 是調(diào)整系數(shù),用以創(chuàng)建不確定
性標(biāo)簽,用來反映真實圖片記錄中的不確定性,而
不改變原始標(biāo)簽。
'XDOVWDWLVWLF :KLWH %DODQFH 0RGXOH 6WUHWFK 0RGXOH
5HIHUHQFH ,PDJH ,QSXW
5DQGRP ,PDJH *HQHUDWLRQ
05&%
F3# 0
A4>
A4
圖 2 參考圖像生成模塊
Fig. 2 Reference image generation module
1. 2. 1 雙統(tǒng)計平衡模塊
圖像由兩個不同的模塊處理,這兩個模塊使
用圖像的統(tǒng)計數(shù)據(jù)(平均值和最大值) 來校正其
色彩平衡。 然后使用兩個殘差模塊來增強(qiáng)輸出以
恢復(fù)丟失的細(xì)節(jié)。
首個訓(xùn)練模塊采用灰色世界理論,這是一種
假設(shè)圖像中的平均顏色為灰色,即 R、G、B 通道平
均值相等的色彩校正方法,具體如公式(2)所示:
x
GW = Conv1×1(x) ? A
-
(2)
式中: A
-
= [
1
AR
,
1
AG
,
1
AB
] , AR 、 AG 、 AB 分別表示原
始圖像中 R、G、B 通道的平均值, ? 表示逐像素
乘法, x
GW 表示基于灰度世界理論的顏色矯正
結(jié)果。
第二個訓(xùn)練模塊利用白色補(bǔ)丁算法進(jìn)行顏色
校正,它假設(shè)圖像中的最高 RGB 值來源于場景的
白色區(qū)域,反映光源顏色,據(jù)此調(diào)整整幅圖像的色
彩。 基于這一假設(shè),每個通道的比例因子如公式
117
漁 業(yè) 現(xiàn) 代 化 2024 年
(3)所示:
x
WP = Conv1×1(x) ? M
-
(3)
式中: M
-
= [
1
MR
,
1
MG
,
1
MB
] , MR 、 MG 、 MB 分別表示
原始圖像中 R、G、B 通道的最大值, x
WP 表示基于
白色補(bǔ)丁算法的顏色矯正結(jié)果。
結(jié)果被合并,傳遞給拉伸模塊,具體如公式
(4)所示:
x
DSB = Conv3×3(x
GW
) ? Conv3×3(x
WP
) (4)
式中: x
DSB 表示由雙統(tǒng)計平衡模塊增強(qiáng)的結(jié)果。
1. 2. 2 多色空間拉伸模塊
圖像 被 轉(zhuǎn) 換 到 不 同 的 顏 色 空 間 ( HSI 和
LAB),并由可訓(xùn)練模塊處理以提高對比度。 原始
圖像也被增強(qiáng),具體如公式(5)所示:
x
final = Conv3×3(x
r
) ? Conv3×3(x
h
) ?
Conv3×3(x
l
) (5)
式中: x
r
、 x
h
、 x
l 分別表示 RGB、HSI、Lab 顏色空
間中的直方圖拉伸像素值, x
final 表示由多色空間
拉伸模塊增強(qiáng)的結(jié)果。 在 HSI 顏色空間中,色調(diào)
(H)通道保持原樣,之后輸出轉(zhuǎn)換回 RGB 顏色空
間[18]
。 這包括 3?3 卷積層處理和像素累加合并
結(jié)果。 通過調(diào)整顏色平衡和提高對比度,顯著改
善了傳遞至概率模塊的參考圖像的視覺質(zhì)量。
1. 3 MRCB 模塊
在模型的框架中,為了更好地獲取上下文信
息,改善網(wǎng)絡(luò)的特征表達(dá)能力,提出了一種全新的
多尺度殘差連接模塊(MRCB)。 MRCB 可以抑制
噪聲和不重要的特征傳遞,僅允許輸入數(shù)據(jù)的重
要特征進(jìn)一步傳遞,從而提升模型的性能,其示意
圖如圖 3 所示。 MRCB 的總體流程如公式( 6)
所示:
F MRCB
= Finput
+ GCA(Finput) (6)
式中: F input代表原始輸入特征, GCA 代表全局上
下文注意, GCA 由 3 個部分實現(xiàn):
(1)上下文建模:首先從原始特征圖 Finput 通
過重構(gòu)操作以生成特征 F1 。 接著,Finput 經(jīng)過一系
列的卷積、重構(gòu)和 Softmax 操作,生成新的特征
F2 ,然后對 F1 和 F2 進(jìn)行逐像素乘法,生成全局特
征描述符 F3 。
(2)通道交互:為了獲取不同通道間的相關(guān)
性,將 F3 進(jìn)行特征變換,使用兩個 1?1 卷積和一
個 LeakyReLU 激 活 函 數(shù), 生 成 新 的 注 意 力 特
征 F4 。
(3)特征融合:采用逐元素加法將特征 F4融
合到原始特征 Finput 的各個位置,旨在降低過擬合
風(fēng)險并增強(qiáng)特征的多樣性。
&RQWH[W 0RGHOLQJ
5HVKDSH
h
5HVKDSH
6RIWPD[ h
/HDN\\5H/8
h
/HDN\\5H/8
&KDQQHO
,QWHUDFWLRQ
)HDWXUH
)XVLRQ )LQSXW
+h:h
h+:
) )05&%
)
F ) )
F
F F F F
1*1
1*1
1*1
* * *
圖 3 多尺度殘差連接模塊結(jié)構(gòu)圖
Fig. 3 Structural diagram of the multi-scale residual connection module
1. 4 概率模塊
本研究的核心思想是在水下圖像增強(qiáng)過程中
引入不確定性。 由于在實際應(yīng)用中,獲取真實和
清晰的圖像存在困難,且訓(xùn)練模型使用的標(biāo)簽也
可能帶有不確定性。 為解決這一問題,本研究基
于 AdaIN 算法[19] 設(shè)計了概率模塊( PAdaIN),該
模塊主要用于圖像風(fēng)格轉(zhuǎn)換,通過調(diào)整圖像特征
的均值和標(biāo)準(zhǔn)差來匹配樣式,改變圖像的外觀,保
留其內(nèi)容特性。
然而,AdaIN 依賴于已知內(nèi)容和樣式圖像的
可用性,為了解決這個問題,PAdaIN 引入了來自
均值和標(biāo)準(zhǔn)差的后驗分布的隨機(jī)樣本作為 AdaIN
的參數(shù),具體如公式(7)所示:
118
第 6 期 謝小文等:基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng)
PAdaIN(x) = b(
x - μ(x)
σ(x)
) + a (7)
式中: b 和 a 分別是來自均值和標(biāo)準(zhǔn)差的后驗分
布的兩個隨機(jī)樣本, μ(x) 表示輸入特征 x 的均
值, σ(x) 表示輸入特征 x 的標(biāo)準(zhǔn)差。 后驗分布
和先驗分布結(jié)構(gòu)示意圖如圖 4 所示。 PAdaIN 能
夠捕獲輸入圖像的重要外觀相關(guān)特征,并使用它
們生成增強(qiáng)圖像,以保持原始圖像的完整性。
通過隱式變量 z 表示增強(qiáng)過程的不確定性,
它可以反映個人偏好或捕捉生成實際圖像時的相
機(jī)及算法參數(shù)。 模型旨在學(xué)習(xí)從原始圖像 x 到增
強(qiáng)圖像 y 的映射,同時考慮由 z 變量所代表的不
確定性,具體如公式(8)所示:
p(y | x)≈p(y |zmax,x),zmax ~ p(z| x) (8)
式中: p(y | zmax,x) 是給定具有最大概率 zmax 和原
始圖像 x 到增強(qiáng)圖像 y 的概率。 p(z | x) 是給定觀
測值的不確定性變量的概率。 該模型的目標(biāo)是從
訓(xùn)練數(shù)據(jù)中學(xué)習(xí)這些概率分布,然后使用它們來
生成增強(qiáng)圖像,將不確定性納入增強(qiáng)過程。
*DXVVLDQ GLVWULEXWLRQ
E
0HDQ
6WG
h FRQY
D
圖 4 后驗分布和先驗分布結(jié)構(gòu)圖
Fig. 4 Structure diagram of posterior and prior distributions
1. 5 損失函數(shù)
均方誤差損失 Lmse 和感知損失 Lvgg16 是評價
圖像增強(qiáng)算法性能的兩個常用指標(biāo),均方誤差損
失測量預(yù)測圖像和參考圖像之間的平均平方差,
感知損失[20]測量預(yù)測圖像和參考圖像的高級特
征之間的差異。 權(quán)重 λ 用于控制這兩個損失項
在總體增強(qiáng)損失 Le 中的相對重要性[21]
,在訓(xùn)練
過程中使用的 λ 的具體值將取決于數(shù)據(jù)集的特
征和模型的期望性能,具體如公式(9)所示:
Le
= Lmse
+ λLvgg16 (9)
除了使增強(qiáng)損失 Le 最小化之外,模型的訓(xùn)練
過程還涉及使用 KullbackLeibler(KL)發(fā)散 DKL 來
將后驗分布與先驗分布對齊。 KL 散度是兩個概
率分布之間差異的度量,可用于比較模型學(xué)習(xí)的
后驗分布與假設(shè)代表訓(xùn)練數(shù)據(jù)中潛變量分布的先
驗分布。 通過最小化后驗分布和先驗分布之間的
KL 偏差,該模型能夠?qū)W習(xí)潛在空間的更準(zhǔn)確表
示, 以 提 高 增 強(qiáng) 圖 像 的 質(zhì) 量。 KullbackLeibler
(KL)具體如公式(10)和公式(11)所示:
Lm
= DKL(Mm(x) | | Mm(y,x)) (10)
Ls
= DKL(Ms(x) | | Ms(y,x)) (11)
式中: Lm 和 Ls 分別為平均值和標(biāo)準(zhǔn)差。 Mm(x) 和
Ms(x) 分別表示 x 輸入特征的均值 m 和標(biāo)準(zhǔn)差 s
的正態(tài)分布。
用于訓(xùn)練本研究模型的總損失函數(shù)是后驗分
布和先驗分布之間的增強(qiáng)損失 Le 和 KL 偏差 DKL
的加權(quán)和,具體如公式(12)所示:
L = Le
+ β(Lm
+ Ls) (12)
式中: β 為權(quán)重,值為 0. 5。
2 結(jié)果與討論
2. 1 試驗準(zhǔn)備
數(shù)據(jù)集:1)EUVP
[22]數(shù)據(jù)集,選取 3 700 對成
對的圖像,其中每張水下圖像均包含對應(yīng)的參考
圖像,作為訓(xùn)練集一;2) UIEBD
[23] 數(shù)據(jù)集,選取
5 000 張原始水下圖像,原始水下圖像沒有與之
對應(yīng)的參考圖像,作為訓(xùn)練集二;3)UFO-120
[24]
數(shù)據(jù)集選取 300 張嚴(yán)重失真的水下圖像作為測試
集一;4)利用 PowerVision 水下無人機(jī)在學(xué)校教學(xué)
樓外池塘拍攝了一組真實水下圖像數(shù)據(jù)集,從中
挑選了 100 張圖片作為測試集二。 分別用訓(xùn)練集
一和訓(xùn)練集二對模型進(jìn)行訓(xùn)練得到模型一和模
型二。
本模型的實現(xiàn)基于 PyTorch 深度學(xué)習(xí)框架,
119
漁 業(yè) 現(xiàn) 代 化 2024 年
采用的顯卡為 NVIDIA 的 GeForceRTX3090 ( 24
GB)。 在訓(xùn)練時輸入 256×256 的圖像,初始學(xué)習(xí)
率設(shè)置為 0. 000 1,批量大小為 8,采用的優(yōu)化器
是 Adam
[25]
,迭代次數(shù)為 300 次。 模型采用無監(jiān)
督學(xué)習(xí)方式,采用顏色矯正的方法生成參考圖像,
并利用生成的參考圖像訓(xùn)練模型,通過對齊先驗
分布和后驗分布以確保生成的圖像更加準(zhǔn)確,且
通過 MRCB 模塊可以抑制不重要的信息,有效傳
遞重要特征信息,避免梯度消失的問題。
評價指標(biāo):全參考評估指標(biāo)包括峰值信噪比
(PSNR)、結(jié)構(gòu)相似性(SSIM)、學(xué)習(xí)感知圖像塊相
似度(LPIPS)。 無參考評估指標(biāo)為:水下圖像質(zhì)
量 測 量 ( UIQM )、 水 下 彩 色 圖 像 質(zhì) 量 評 估
(UCIQE)、自然圖像質(zhì)量評估(NIQE)、水下圖像
對比度測量指標(biāo)(UICM)和水下圖像銳度測量指
標(biāo)(UISM)
[26]
。
2. 2 對比試驗
2. 2. 1 定量比較
為了比較提出的算法性能,選擇了 5 種傳統(tǒng)
的無監(jiān)督學(xué)習(xí)方法:CLAHE
[27]
、HE
[28]
、UDCP
[29]
、
RGHS
[30]
、UCM
[31]
,以及 4 種基于深度學(xué)習(xí)的方
法: UGAN
[32]
、 Water-Net
[33]
、 UWCNN
[34]
、
FunieGAN
[35]
,總共 9 種方法與本研究方法比較。
與傳統(tǒng)的無監(jiān)督方法進(jìn)行比較,可以體現(xiàn)本研究
提出的無監(jiān)督方法的優(yōu)勢。 表 1 表示本研究選取
的 11 種模型在測試集一上的試驗結(jié)果,測試集一
使用有參考圖像的數(shù)據(jù)集,采用的是全參考評價
指標(biāo):峰值信噪比(PSNR)、結(jié)構(gòu)相似性( SSIM)、
學(xué)習(xí)感知圖像塊相似度(LPIPS)和水下彩色圖像
質(zhì)量評估(UCIQE)。 從表 1 中可以看出:本研究
所提出的模型在大多數(shù)情況指標(biāo)值高于所比較的
方法,只有 UCIQE 指標(biāo)遜色一些,沒有達(dá)到最優(yōu)
和次優(yōu),不過也優(yōu)于其他大多數(shù)方法,表明本模型
能夠有效提升生成圖像的質(zhì)量,能夠較好地恢復(fù)
水下圖像的真實色彩。
表 2 表示本研究選取的 11 種模型在測試集
二上的試驗數(shù)據(jù),測試集二使用的是作者拍攝的
數(shù)據(jù),沒有參考圖像作為參考,采用的是無參考評
價指標(biāo):水下圖像質(zhì)量測量(UIQM)、自然圖像質(zhì)
量評 估 ( NIQE )、 水 下 圖 像 對 比 度 測 量 指 標(biāo)
(UICM)和水下圖像銳度測量指標(biāo)(UISM)。 從表
2 中可以看出,本研究提出的模型只有 UIQM 指
標(biāo)上沒有取得最好結(jié)果,在其余 3 個指標(biāo)上均取
得最好的結(jié)果。
表 1 不同方法在測試集一上的定量對比
Tab. 1 Quantitative comparison of different methods on test set one
方法 PSNR SSIM LPIPS UCIQE
CLAHE 15. 886 0. 551 0. 457 0. 465
UCM 17. 821 0. 768 0. 316 0. 471
RGHS 18. 759 0. 787 0. 296 0. 507
HE 14. 219 0. 694 0. 369 0. 492
UGAN 15. 228 0. 676 0. 453 0. 429
UWCNN 18. 435 0. 808 0. 354 0. 416
UDCP 15. 553 0. 643 0. 313 0. 539
FunieGAN 21. 667 0. 810 0. 241 0. 418
Water-Net 19. 889 0. 830 0. 177 0. 426
模型一 24. 171 0. 853 0. 121 0. 473
模型二 24. 211 0. 849 0. 132 0. 478
表 2 不同方法在測試集二上的定量對比
Tab. 2 Quantitative comparison of different methods on test set two
方法 UICM UISM NIQE UIQM
CLAHE 14. 386 0. 368 4. 876 1. 294
UCM 9. 457 0. 219 4. 424 1. 089
RGHS 15. 018 0. 212 4. 472 1. 241
HE 15. 392 0. 339 3. 500 1. 297
UGAN 10. 864 0. 120 5. 878 1. 229
UWCNN 14. 607 0. 099 3. 364 1. 174
UDCP 9. 802 0. 337 3. 811 1. 369
FunieGAN 12. 782 0. 198 4. 332 1. 725
Water-Net 12. 853 0. 139 5. 301 1. 439
模型一 15. 955 0. 525 2. 316 1. 229
模型二 16. 125 0. 597 2. 507 1. 215
2. 2. 2 定性比較
在水下圖像增強(qiáng),特別是水下彩色圖像增強(qiáng)
中,人眼視覺感受是非常重要的評價角度。 分別
選取成對的數(shù)據(jù)集與作者拍攝的非成對數(shù)據(jù)集作
為測試集進(jìn)行比較,可以有效地證明本研究的方
法在無參考圖像環(huán)境下的有效性和適用性。
圖 5 展示了 11 種模型在測試集一上的增強(qiáng)
圖片效果。 主觀分析得出:HE 和 CLAHE 模型生
成的圖 像 過 亮, 未 去 除 綠 色, 出 現(xiàn) 曝 光 問 題。
RGHS 和 UGAN 處理的圖像仍偏綠,不過亮度有
所提高。 UGAN 使圖像更綠,可視度未明顯改善,
整體效果不佳。 UCM、UWCNN、UDCP 處理的圖
像偏紅;UCM 在細(xì)節(jié)恢復(fù)上未達(dá)預(yù)期,出現(xiàn)顏色
120
第 6 期 謝小文等:基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng)
失真;UWCNN 圖像過暗,霧化現(xiàn)象沒有得到改
善,清晰度不足;UDCP 圖像也偏暗,視覺效果差。
Water-Net 和 FunieGAN 改善了上述問題,但圖像
仍偏暗。 相比之下,本方法在色彩、對比度、視覺
效果及清晰度上都顯著優(yōu)于其他模型,更接近參
考圖像。
,QSXW +( 5*+6 8&0 &/$+( 8'&3 8*$1 :DWHU1HW 8:&11 )XQLH*$1
*7
圖 5 各種模型在測試集一上的視覺質(zhì)量對比
Fig. 5 Comparison of the visual quality of various models on test set one
圖 6 表示本研究選擇的 11 種模型在測試集
二上運(yùn)行得到的增強(qiáng)后圖片。 對比圖片,模型的
優(yōu)劣可以更好地觀測出來。 經(jīng)過 HE 和 Water -
Net 以及 FunieGAN 模型處理后的圖片,整體偏
紅,經(jīng)過 FunieGAN 模型處理后,整張圖片色調(diào)完
全偏紅,其余兩個模型處理后的圖像出現(xiàn)了嚴(yán)重
的圖像失真現(xiàn)象。 圖像經(jīng)過 RGHS 和 UCM 模型
增強(qiáng)后,雖然去掉了圖像表面的霧,不過整體顏色
偏深藍(lán)色,無法還原魚本身的顏色。 經(jīng)過 UGAN
和 UWCNN 模型處理后的圖像,整體色調(diào)偏黃,背
景也基本上呈現(xiàn)出黃色。 CLAHE 模型處理后的
圖像整體顏色偏淡,且圖像模糊。 UDCP 模型處
理后的圖像,出現(xiàn)了嚴(yán)重圖像失真現(xiàn)象,無法準(zhǔn)確
恢復(fù)魚本身的形狀。 相比之下,本研究提出的方
法,無論采用哪種數(shù)據(jù)集進(jìn)行測試,都首先解決了
水下圖像霧化的現(xiàn)象,其次提高了圖片的清晰度,
細(xì)節(jié)處理方面更加優(yōu)秀。
,QSXW +( 5*+6 8&0 &/$+( 8'&3 8*$1 :DWHU1HW 8:&11 )XQLH*$1
圖 6 各種模型在測試集二上的視覺質(zhì)量對比
Fig. 6 Comparison of the visual quality of various models on test set two
121
漁 業(yè) 現(xiàn) 代 化 2024 年
2. 3 消融試驗
為了驗證本研究提出模型中模塊的有效性,
設(shè)計了如下消融試驗:1)去除多尺度殘差連接模
塊(MRCB);2)去掉概率模塊( PAdaIN);3) 去除
多尺 度 殘 差 連 接 模 塊 ( MRCB ) 和 概 率 模 塊
(PAdaIN)。 兩組試驗的模型均迭代 50 次,均采
用訓(xùn)練集二進(jìn)行訓(xùn)練,并在測試集一和測試集二
上進(jìn)行定量分析,基礎(chǔ)模型不包含 MRCB 模塊和
PAdaIN 模塊。 所進(jìn)行的消融試驗結(jié)果如表 3 和
表 4 所示,可以看出,兩個表格中除了 UIQM 這個
指標(biāo)外,在其余度量指標(biāo)上,均是同時包含 MRCB
模塊和 PAdaIN 模塊的效果最佳,在大多數(shù)的指
標(biāo)上,只包含 MRCB 或 PAdaIN 的模型均達(dá)到了
次優(yōu),可以看出,單獨(dú)包含 MRCB 模塊或單獨(dú)使
用 PAdaIN 模塊并不是最優(yōu)選擇,兩者各有不足
的地方,只有兩者一起使用,才能讓模型的效果達(dá)
到最佳。
表 3 測試集一上消融試驗數(shù)據(jù)
Tab. 3 Ablation experimental data on test set one
方法 PSNR SSIM LPIPS UCIQE
Baseline 15. 877 5 0. 620 8 0. 261 4 0. 265 9
Baseline + MRCB 18. 360 1 0. 685 4 0. 211 7 0. 369 1
Baseline + PAdaIN 17. 280 1 0. 693 9 0. 212 0 0. 385 8
Full Model 20. 098 9 0. 789 4 0. 178 4 0. 452 3
表 4 測試集二上消融試驗數(shù)據(jù)
Tab. 4 Ablation experimental data on test set two
方法 UICM UISM NIQE UIQM
Baseline 11. 184 8 0. 367 3 6. 292 7 0. 508 4
Baseline + MRCB 9. 457 1 0. 437 1 4. 423 6 0. 338 9
Baseline + PAdaIN 13. 415 1 0. 440 3 4. 736 9 0. 332 9
Full Model 14. 955 6 0. 503 6 3. 433 8 0. 489 9
表 4 中的 UIQM 指標(biāo),不包含 MRCB 模塊或
PAdaIN 模塊的模型效果均未達(dá)到最佳,可能原因
是使用水下攝像機(jī)在學(xué)校池塘拍攝時,由于水中
存在較多的懸浮物,其可以散射和吸收光線,減少
光線直接到達(dá)攝像頭的量[36]
,造成圖像模糊和對
比度降低,導(dǎo)致 UIQM 的值不高。
3 結(jié)論
本研究提出了一種基于多尺度殘差的無監(jiān)督
水下圖像增強(qiáng)方法,使用編碼器-解碼器結(jié)構(gòu),實
現(xiàn)了水下圖像的自適應(yīng)增強(qiáng)。 通過多尺度殘差連
接模塊(MRCB)與概率模塊(PAdaIN),模型能夠
在更好地傳遞邊緣和輪廓以及紋理細(xì)節(jié)等重要信
息的同時,抑制噪聲、低對比度區(qū)域等不重要信息
的傳遞,模型在不依賴參考圖像的情況下,顯著提
升了增強(qiáng)后圖像的清晰度、對比度和色彩。 結(jié)果
表明,該方法在 PSNR 和 SSIM 等常用圖像質(zhì)量評
估指標(biāo)上,分別達(dá)到了 24. 211 和 0. 853,均優(yōu)于
當(dāng)前主流的水下圖像增強(qiáng)方法,展現(xiàn)出較強(qiáng)的泛
化能力和視覺提升效果。 未來,將進(jìn)一步研究提
升模型在復(fù)雜水下環(huán)境中的適應(yīng)性,同時提高圖
像細(xì)節(jié)的還原能力,以適應(yīng)更多實際應(yīng)用需求。
□
參考文獻(xiàn)
[1] 胡雨航,趙磊,李恒,等. 多特征選擇與雙向殘差融合的無監(jiān)
督水下圖像增強(qiáng)[ J]. 電子測量與儀器學(xué)報,2023,37( 9):
190-202.
[2] 姜群. 基于遷移學(xué)習(xí)的水下圖像增強(qiáng)與目標(biāo)檢測研究[D].
濟(jì)南:山東財經(jīng)大學(xué),2022.
[3] 彭小紅,梁子祥,張軍,等. 深度學(xué)習(xí)驅(qū)動的水下圖像預(yù)處理
研究進(jìn)展綜述[J]. 計算機(jī)工程與應(yīng)用,2021,57(13):43-54.
[4] FABBRI C, ISLAM M J, SATTAR J. Enhancing underwater
imagery using generative adversarial networks[C] / / 2018 IEEE
international conference on robotics and automation ( ICRA),
Brisbane:IEEE,2018:7159-7165.
[5] 弭永發(fā),遲明善,張強(qiáng),等. 基于顏色校正與改進(jìn)的 CLAHE 多
尺度融合水下圖像增強(qiáng)[ J]. 無線電工程, 2024, 54 ( 6):
1470-1480.
[ 6 ] CHEN W, GU K, LIN W, et al. Reference-free quality
assessment of sonar images via contour degradation measurement
[J]. IEEE Transactions on Image Processing, 2019, 28 ( 11):
5336-5351.
[7] 劉彥呈,董張偉,朱鵬蒞,等. 基于特征解耦的無監(jiān)督水下圖
像增強(qiáng)[J]. 電子與信息學(xué)報,2022,44(10):3389-3398.
[8] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based
learning applied to document recognition[J]. Proceedings of the
IEEE,1998,86(11):2278-2324.
[9] KRISHNAN H, LAKSHMI A A, ANAMIKA L S,et al. A novel
underwater image enhancement technique using ResNet [ C] / /
IEEE Conference on Information & Communication Technology
(CICT), Chennai:IEEE,2020,12:1-5.
[10]CHEN T, SHEN L, FAN Y, et al. Underwater Image
Enhancement Based on Improved Haze-lines Prior and Histogram
Distribution Prior [ C ] / / IEEE International Conference on
Intelligent Autonomous Systems (ICoIAS), Dalian:IEEE,2022:
122
第 6 期 謝小文等:基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng)
60-65.
[11]LUO H, ZHANG G, ZHANG X. MBFFNet: Multi-branch
feature fusion network for underwater image restoration [ C] / /
IEEE Information Technology, Networking, Electronic and
Automation Control Conference ( ITNEC), Chongqing: IEEE,
2023:1209-1213.
[12]孫昊宇,牛宏俠. 基于色彩均衡和多權(quán)重融合的水下圖像增
強(qiáng)算法[J]. 無線電工程,2024,54(2):436-446.
[13]王德興,黃梓陽,袁紅春. 基于輕量級神經(jīng)網(wǎng)絡(luò)的水下生物
圖像增強(qiáng)[J]. 漁業(yè)現(xiàn)代化,2023,50(6):60-73.
[14]LIU Y, WANG X, WANG L, et al. A modified leaky ReLU
scheme ( MLRS ) for topology optimization with multiple
materials[ J ]. Applied Mathematics and Computation, 2019,
352:188-204.
[15]馬愛明. 水下復(fù)雜環(huán)境的圖像復(fù)原技術(shù)研究[D]. 成都:電子
科技大學(xué),2023.
[16]劉敏. 基于域自適應(yīng)的水下圖像增強(qiáng)[D]. 哈爾濱:哈爾濱工
業(yè)大學(xué),2022.
[17]LI C, ANWAR S, PORIKLI F. Underwater scene prior inspired
deep underwater image and video enhancement [ J ]. Pattern
Recognition,2020,98:107038.
[18]LI C, ANWAR S, HOU J,et al. Underwater image enhancement
via medium transmission-guided multi-color space embedding
[ J ]. IEEE Transactions on Image Processing, 2021, 30:
4985-5000.
[19]FU Z, WANG W, HUANG Y, et al. Uncertainty inspired
underwater image enhancement [ C ] / / Tel Aviv: European
conference on computer vision. Cham: Springer Nature
Switzerland,2022:465-482.
[20]JOHNSON J, ALAHI A, FEI-FEI L. Perceptual losses for realtime style transfer and super-resolution [ C ] / / European
Conference, Amsterdam, The Netherlands, October 11-14,
2016, Proceedings, Part II 14. Springer International
Publishing, Amsterdam:ECCV,2016:694-711.
[21]趙興運(yùn),孫幫勇. 融合注意力機(jī)制和上下文信息的微光圖像
增強(qiáng)[J]. 中國圖象圖形學(xué)報,2022,27(5):1565-1576.
[22]ISLAM M J, XIA Y, SATTAR J. Fast underwater image
enhancement for improved visual perception[J]. IEEE Robotics
and Automation Letters,2020,5(2):3227-3234.
[23]叢潤民,張禹墨,張晨,等. 深度學(xué)習(xí)驅(qū)動的水下圖像增強(qiáng)與
復(fù)原研究進(jìn)展[J]. 信號處理,2020,36(9):1377-1389.
[24]PANETTA K, GAO C, AGAIAN S. Human-visual-systeminspired underwater image quality measures[J]. IEEE Journal of
Oceanic Engineering,2015,41(3):541-551.
[25]ZHANG Z. Improved adam optimizer for deep neural networks
[C] / / IEEE ACM 26th international symposium on quality of
service (IWQoS),Banff:IEEE,2018,6:1-2.
[26]李大海,王忠華,王振東. 結(jié)合空間域和頻域信息的雙分支
低光照圖 像 增 強(qiáng) 網(wǎng) 絡(luò) [ J ]. 計 算 機(jī) 應(yīng) 用, 2024, 44 ( 7 ):
2175-2182.
[ 27]REZA A M. Realization of the contrast limited adaptive histogram
equalization ( CLAHE) for real-time image enhancement [ J].
Journal of VLSI signal processing systems for signal, image and
video technology,2004,38:35-44.
[28]LI C, GUO C, REN W, et al. An underwater image
enhancement benchmark dataset and beyond [ J ]. IEEE
transactions on image processing,2019,29:4376-4389.
[29]DREWS P, NASCIMENTO E, MORAES F,et al. Transmission
estimation in underwater single images[C] / / IEEE Proceedings
of the IEEE international conference on computer vision
workshops, Sydney:IEEE,2013,12:825-830.
[30]HUANG D, WANG Y, SONG W, et al. Shallow-water image
enhancement using relative global histogram stretching based on
adaptive parameter acquisition[C] / / International Conference,
MMM 2018, Bangkok, Thailand, February 5-7, 2018,
Proceedings, Part I 24. Bangkok: Springer International
Publishing,MMM,2018:453-465.
[31]IQBAL K, ODETAYO M, JAMES A,et al. Enhancing the low
quality images using unsupervised colour correction method
[C] / / IEEE International Conference on Systems, Man and
Cybernetics, Istanbul:IEEE,2010,10:1703-1709.
[32] FABBRI C, ISLAM M J, SATTAR J. Enhancing underwater
imagery using generative adversarial networks [ C] / / Brisbane:
IEEE international conference on robotics and automation
(ICRA),IEEE,2018:7159-7165.
[33]袁國銘,劉海軍,李曉麗,等. 紋理感知聯(lián)合顏色直方圖特征
的水 下 圖 像 增 強(qiáng) [ J ]. 光 學(xué) 精 密 工 程, 2024, 32 ( 13 ):
2112-2127.
[34]LI C, ANWAR S, PORIKLI F. Underwater scene prior inspired
deep underwater image and video enhancement [ J ]. Pattern
Recognition,2020,98:107038.
[35]ISLAM M J, XIA Y, SATTAR J. Fast underwater image
enhancement for improved visual perception[J]. IEEE Robotics
and Automation Letters,2020,5(2):3227-3234.
[36]袁紅春,趙華龍,高凱. 基于多階段協(xié)同處理的水下圖像增
強(qiáng)[J]. 激光與光電子學(xué)進(jìn)展,2024,61(8):363-371.
123
漁 業(yè) 現(xiàn) 代 化 2024 年
An adaptive enhancement method for underwater images
based on multi-scale residual connection
XIE Xiaowen, YUAN Hongchun
(School of Information Shanghai Ocean University Shanghai 201306, China)
Abstract:To address common issues in underwater images, such as color distortion and reduced contrast, as
well as the limitations of supervised methods that rely on large-scale paired high-quality underwater image
datasets, an unsupervised underwater image enhancement method is proposed. This method utilizes a
conditional variational autoencoder ( cVAE ) combined with probabilistic adaptive instance normalization
(PAdaIN) and multi-color space stretching techniques to improve the visual quality of generated images while
ensuring consistency with the original input images. Furthermore, a multi-scale residual connection module is
employed to effectively reduce the transmission of non-essential information, thereby enhancing the model's
performance. This approach provides an alternative to traditional training methods that rely on reference
images. Experimental results demonstrate that this method achieves a 12% and 3% improvement in Peak
Signal-to-Noise Ratio (PSNR) and Structural Similarity Index (SSIM) on the test set compared to FunieGAN
and Water-Net, respectively, significantly enhancing the visual quality of the improved images. Moreover, the
method performs excellently across different test sets, demonstrating its robust generalization capability. The
study indicates that, without the need for reference images, this approach significantly improves underwater
image quality, effectively enhancing image detail and color correction, and provides a viable solution for
aquaculture and marine monitoring applications.
Key words:underwater image enhancement; unsupervised learning; multi-scale residual connections; image
processing; probabilistic models
124
第 51 卷第 6 期 漁 業(yè) 現(xiàn) 代 化 Vol. 51 No. 6
2024 年 12 月 FISHERY MODERNIZATION Dec. 2024
DOI:10. 3969 / j. issn. 1007-9580. 2024. 06. 013 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):
倪錦,談佳玉,張軍文,等. 基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析[J]. 漁業(yè)現(xiàn)代化,2024,51(6):125-136.
收稿日期:2024-05-05
基金項目:國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項資金(CARS-49);中國水產(chǎn)科學(xué)研究院基本科研業(yè)務(wù)費(fèi)(2023TD75)
作者簡介:倪錦(1985—),男,副研究員,研究方向:水產(chǎn)品智能加工裝備研究。 E-mail:nijin@ fmiri. ac. cn
通信作者:沈建(1971—),男,研究員,研究方向:水產(chǎn)品加工裝備研究。 E-mail:shenjian@ fmiri. ac. cn
基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析
倪 錦1,2,3
,談佳玉1,2,3
,張軍文1,2,3
,沈 建1,2,3
(1 中國水產(chǎn)科學(xué)研究院漁業(yè)機(jī)械儀器研究所,上海 200092;
2 海洋食品精深加工關(guān)鍵技術(shù)省部共建協(xié)同創(chuàng)新中心,大連工業(yè)大學(xué),大連 116034 ;
3 農(nóng)業(yè)農(nóng)村部遠(yuǎn)洋漁船與裝備重點(diǎn)實驗室,上海 200092)
摘要:針對生鮮蝦夷扇貝人工開殼存在開殼難和效率低,傳統(tǒng)熱處理開殼易影響生鮮品質(zhì)等問題,提出了基
于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法。 為了探明蝦夷扇貝瞬時熱處理的精準(zhǔn)開殼方法,通過測定蝦夷扇
貝的體型特征參數(shù),構(gòu)建精準(zhǔn)化蒸汽噴射開殼方法;對比不同瞬時熱處理條件下蝦夷扇貝的開殼完整率、色
差、汁液損失率等,結(jié)合感官評價分析,確定最優(yōu)的瞬時開殼參數(shù)。 結(jié)果顯示:相對于 140 ℃ 蒸汽,在 160 ℃
蒸汽作用下,蝦夷扇貝的開口寬度更大,開殼拉力值更小,開殼完整率更高,因此確定瞬時熱處理的熱源溫度
為 160 ℃ ;蒸汽噴射時間越長,蝦夷扇貝的開殼難度越小,開口寬度越大,綜合感官評定,確定瞬時熱處理的
蒸汽噴射時間 2 s。 殼長 110 ~ 120 mm,殼厚 22 ~ 25 mm,質(zhì)量為 100 ~ 125 g / 枚的蝦夷扇貝,采用蒸汽噴射
(160 ℃ 、2 s),蝦夷扇貝開殼后的開殼完整率 100%,汁液流失率 0. 86%。 研究表明,采用瞬時熱處理精準(zhǔn)開
殼能夠較好地保持蝦夷扇貝生鮮品質(zhì),為其自動化加工提供理論依據(jù)。
關(guān)鍵詞:蝦夷扇貝;蒸汽;開殼;品質(zhì)
中圖分類號:S985. 3 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0125-012
蝦夷扇貝(Patinopecten yessoensis) 是中國北
方海域規(guī)?；B(yǎng)殖的重點(diǎn)貝類,具有產(chǎn)量高、營養(yǎng)
價值高、富含蛋白質(zhì)和維生素、風(fēng)味獨(dú)特等特點(diǎn),
深受人們的喜愛,市場需求呈增長趨勢[1-2]
。 蝦
夷扇貝開殼加工大多采用半人工方式或者采用國
外引進(jìn)的設(shè)備。 前者直接取肉或蒸煮后取肉,存
在效率低、品質(zhì)控制差、蒸煮開殼扇貝柱鮮嫩的口
感差等問題[3-4]
。 國外引進(jìn)的設(shè)備價格昂貴[5-6]
,
而且適用性不強(qiáng),日本日興株式會社的扇貝加工
流水線,采用蒸汽的方式,適合體型較大較扁平的
蝦夷扇貝[7]
;美國 NC Hyperbaric 公司生產(chǎn)扇貝
開殼設(shè)備,采用超高壓開殼原理,不適合中國中小
水產(chǎn)品企業(yè)的產(chǎn)業(yè)化加工[8]
。 總體來說,中國蝦
夷扇貝脫殼加工工藝不完善[9]
,生鮮蝦夷扇貝的
開殼尚不能滿足新經(jīng)濟(jì)發(fā)展模式下人們對高品質(zhì)
水產(chǎn)品的需求,因此迫切需要一種適合中國經(jīng)濟(jì)
發(fā)展?fàn)顩r的蝦夷扇貝開殼工藝技術(shù)。
目前,扇貝開殼方式主要有機(jī)械式和非機(jī)械
式[6]
,機(jī)械式開殼刀具操作較精確,但效率低、品
質(zhì)差、不能大批量生產(chǎn);非機(jī)械式開殼方式主要有
紅外 輻 射 式、 激 光 式、 蒸 煮 式 和 蒸 汽 噴 射 式
等[10-11]
。 王家忠等[12]提出了一種紅外加熱開殼
方法,通過分析紅外燈管直接輻射和梯形燈罩間
接輻射,建立紅外輻射下扇貝表面的參數(shù)化熱流
分布數(shù)學(xué)模型,研究結(jié)果表明,當(dāng)燈罩側(cè)面傾角
30°、側(cè)面寬度 40 mm、燈管安裝高度 60 mm 時,
開殼效率單列可達(dá) 15 個/ min,剝離后貝柱品質(zhì)較
高,能耗為 0. 027 kW·h / kg。 龍官譽(yù)等[13] 將激
光技術(shù)用于雙殼貝類(貽貝)的開殼加工,確定了
貽貝激光開殼的工藝參數(shù)為激光功率 40 W、處理
時間 0. 5 s,激光結(jié)合漂燙(100 ℃ ,5 s) 或 蒸汽
(100 ℃ ,70 s)技術(shù)實現(xiàn)了殼肉有效分離,有效避
漁 業(yè) 現(xiàn) 代 化 2024 年
免了熱力開殼過程中貝肉熟化導(dǎo)致的營養(yǎng)成分流
失。 孔德剛等[14] 研究設(shè)計了海灣扇貝蒸汽噴射
開殼裝置,以蒸汽噴射時間、距離和蒸汽閥門開度
為試驗因素,結(jié)果顯示,海灣扇貝蒸汽噴射 3 s、噴
射距離 30 mm、蒸汽閥門開度 90°時開殼效果最
佳。 弋景剛等[15] 研究表明,采用蒸汽發(fā)生器,壓
強(qiáng)控制在 0. 3~0. 4 MPa、溫度控制在 150 ℃左右,
當(dāng)噴射時間 3. 5 s、噴射距離 30 mm、蒸汽排量
6 mm、球閥門開度 90° 時, 海灣扇貝開殼率為
93. 3%。 也有學(xué)者利用超高壓實現(xiàn)牡蠣開殼[16]
。
總體來說,激光式、超高壓等方法成本高,不
適合中國水產(chǎn)加工特點(diǎn)[17]
,現(xiàn)有的蒸煮開殼工藝
比較粗獷[18]
,會破壞貝柱的鮮嫩程度,影響品質(zhì)。
蒸汽噴射作為一種較新的開殼方法,已在其他貝
類上有所應(yīng)用。
本研究提出了一種基于瞬時熱處理的蝦夷
扇貝精準(zhǔn)開殼方法。 通過測定蝦夷扇貝的體型
特征參數(shù),建立蝦夷扇貝瞬時熱處理的開殼試
驗方案,搭建試驗平臺,對比分析研究不同瞬時
熱處理條件下蝦夷扇貝的開殼率、色差、汁液損
失率,結(jié)合感官評價分析,構(gòu)建形成精準(zhǔn)化的蝦
夷扇貝蒸汽開殼方法,保持蝦夷扇貝開殼后的
生鮮品質(zhì)。
1 材料與方法
1. 1 材料與設(shè)備
鮮活蝦夷扇貝,殼長 55~120 cm,來自盒馬生
鮮超市,產(chǎn)地為大連市(泡沫箱加冰運(yùn)輸至實驗
室,為盡量減少樣本誤差,挑選活力好、鮮活飽滿
的蝦夷扇貝備用)。 其中用于瞬時熱處理精準(zhǔn)開
殼的蝦夷扇貝的規(guī)格:殼長 110 ~ 120 mm,殼厚
22~25 mm,質(zhì)量為 100~125 g / 枚。
紅外線熱成像儀(VT08,福祿克),蒸汽發(fā)生
器(25 KGH,江蘇鑫達(dá)能熱能環(huán)?？萍加邢薰?/p>
司),蝦夷扇貝熱力開殼試驗裝置(自研),溫度采
集儀(Keysight 34970A,是德科技中國有限公司),
推拉力計(HP -100N,樂清市艾德堡科技有限公
司),游標(biāo)卡尺(DL91150,得力集團(tuán)有限公司),電
子天平稱(YP20001B,上海力辰儀器科技有限公
司),擴(kuò)散硅壓力變送器(P30,杭州美控科技股份
有限公司)。
1. 2 方法
1. 2. 1 開殼方法
蝦夷扇貝的開殼試驗裝置如圖 1、2,主要包
括了蒸汽發(fā)生器、 電動閥、 開殼平臺和蒸汽噴
嘴等。
圖 1 蝦夷扇貝的開殼試驗裝置示意圖
Fig. 1 Diagram of the opening test device for scallop
蒸汽發(fā)生器產(chǎn)生高溫蒸汽,設(shè)定不同溫度蒸汽
和加熱時間,在控制閥門的作用下,通過蒸汽噴嘴
對扇貝橫紋肌區(qū)域短時高溫作用,促使橫紋肌失活
降低閉殼肌的結(jié)合力,實現(xiàn)蝦夷扇貝的開殼。 利用
時間控制器電動閥實現(xiàn)蒸汽噴射時間的精確控制。
蒸汽參數(shù) 140 ℃、噴射流量 9. 1 kg / h;160 ℃、噴射
126
第 6 期 倪錦等:基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析
流量 9. 1 kg / h。 蒸汽噴嘴結(jié)構(gòu)如圖 3。
圖 2. 蝦夷扇貝的開殼試驗裝置
Fig. 2 The opening test device for scallop
Φ
Φ
Φ
Φ
圖 3 蒸汽噴嘴結(jié)構(gòu)參數(shù)
Fig. 3 The structural parameters of the steam nozzle
1. 2. 2 蝦夷扇貝生物特征參數(shù)測定
使用電子天平稱稱量蝦夷扇貝熱力開殼前后
的質(zhì)量,使用游標(biāo)卡尺測量蝦夷扇貝的長度 L,扇
貝柱直徑 R,扇貝柱中心到扇貝邊的距離 D2 (簡
稱貝柱中心距離),扇貝柱中心偏移扇貝中心線
的距離 D1 。 選擇不同規(guī)格大小的扇貝,獲取扇貝
的生物特征參數(shù),具體包括扇貝的長度,扇貝柱的
直徑、扇貝柱的中心點(diǎn)位置以及偏移位置如圖 4,
通過測量蝦夷扇貝的生物特征參數(shù),為蝦夷扇貝
的瞬時熱處理提供精準(zhǔn)加熱區(qū)域參數(shù)。
圖 4 扇貝柱尺寸示意圖
Fig 4 Diagram of scallop adductor muscle Dimensions
1. 2. 3 蝦夷扇貝開殼參數(shù)測定
蝦夷扇貝開殼主要包括拉力值和開口寬度。
測量方法:將蒸汽噴射熱處理的蝦夷扇貝取下,使
用游標(biāo)卡尺測量蝦夷扇貝的開口寬度,使用拉力計
測量將左殼拉開的最大力值并記錄。 在統(tǒng)計蝦夷
扇貝開殼參數(shù)時,完全自然開殼(閉殼肌與殼體完
全分離)的開口寬度數(shù)值并不統(tǒng)一,未完全自然開
殼的開口寬度均小于 10 mm,為方便數(shù)據(jù)處理,若
瞬時熱處理后蝦夷扇貝完全自然開殼,記蝦夷扇
貝的開口寬度為 10 mm,拉力值記錄為 0 N。
1. 2. 4 蝦夷扇貝開殼的溫度分布測定
在進(jìn)行蝦夷扇貝開殼溫度分布測定時,先迅
速取下蒸汽噴射處理后的扇貝,輕柔置于預(yù)設(shè)穩(wěn)
定溫度環(huán)境的拍攝平臺上。 隨后,利用紅外線熱
成像儀細(xì)致掃描扇貝表面,捕捉溫度差異并生成
熱成像圖片,以直觀展現(xiàn)不同蒸汽噴射時間下扇
貝的溫度分布情況。
1. 2. 5 汁液流失率測定
使用電子天平稱稱量蝦夷扇貝熱力開殼前的
質(zhì)量 M1 ,蝦夷扇貝熱力開殼后的質(zhì)量 M2 ,計算蝦
夷扇貝開殼后的汁液流失率 P。
P =
M1
- M2
M1
× 100% (1)
127
漁 業(yè) 現(xiàn) 代 化 2024 年
1. 2. 6 閉殼肌色差測定
蝦夷扇貝完成蒸汽噴射開殼后,將閉殼肌取
下,以閉殼肌個體中心為測試點(diǎn),每次記錄白度值
L? 、紅度值 a? 、黃度值 b? 數(shù)值。 從 L?(從
黑到白,0~100)、a?(從綠到紅,-a ~ +a)、b? 值
(從藍(lán)到黃,-b ~ +b)三方面評價閉殼肌肉顏色,
判讀肌肉的熟化程度。
1. 2. 7 蝦夷扇貝開殼的感官評定
蝦夷扇貝開殼的感官評定主要依據(jù)組織狀
態(tài)、開殼難易程度和開縫程度。 評定人員由 7 名
經(jīng)過培訓(xùn)的評價員組成,定期對蝦夷扇貝依據(jù)
GB 2733—2005 《 鮮、 凍 動 物 性 水 產(chǎn) 品 衛(wèi) 生 標(biāo)
準(zhǔn)》
[19]進(jìn)行評定,并制定感官評定標(biāo)準(zhǔn)如表 1。
表 1 感官評分鑒定表
Tab. 1 Sensory Evaluation and Identification Form
等級
組織狀態(tài)
(9 分)
開殼難易程度
(9 分)
開縫程度
(9 分)
一級
7~9 分
顏色生鮮,貝柱未熟化
7~9 分
開殼容易
7~9 分
殼開縫較大
二級
4~6 分
顏色生鮮,貝柱輕微熟化
4~6 分
開殼較容易
4~6 分
殼稍微開縫
三級
1~3 分
顏色發(fā)白,貝柱明顯熟化
1~3 分
開殼困難
1~3 分
不開縫
1. 2. 8 蝦夷扇貝的開殼完整率
蝦夷扇貝的開殼完整率是指蝦夷扇貝在瞬時
熱處理后,自然開殼或者在外力作用下實現(xiàn)開殼,
樣品中蝦夷扇貝肌肉組織外觀完整的占整體的
比例。
U =
S1
- S2
S1
× 100% (2)
式中:U 為開殼完整率;S1 為統(tǒng)計扇貝總數(shù)量;S2
為肌肉組織外觀不完整的扇貝數(shù)量。
1. 3 數(shù)據(jù)處理
上述所有數(shù)據(jù)均采用 Excel 統(tǒng)計,采用 SPSS
22. 0 軟件對結(jié)果進(jìn)行單因素方差分析,P<0. 05
表示差異顯著。
2 結(jié)果與分析
2. 1 蝦夷扇貝生理結(jié)構(gòu)及開殼機(jī)理
蝦夷扇貝的貝殼呈扇形[20]
,扇貝兩殼形狀基
本無差別,左右兩殼幾乎對稱,左右殼連接部分平
直。 貝殼表面有 17 ~ 18 條放射形肋。 蝦夷扇貝
內(nèi)部主要有貝柱、裙邊、內(nèi)臟等結(jié)構(gòu)[21]
,貝柱及其
周圍結(jié)構(gòu)通常附著在右殼上。 蝦夷扇貝的內(nèi)部結(jié)
構(gòu)如圖 5 所示。
ffi
圖 5 蝦夷扇貝內(nèi)部結(jié)構(gòu)
Fig 5 Internal structure of scallop
蝦夷扇貝內(nèi)部結(jié)構(gòu)中保持貝殼緊閉的是橫紋
肌和平滑肌,二者共同組成閉殼肌。 橫紋肌反應(yīng)
靈敏,具有較強(qiáng)的收縮能力,能快速關(guān)閉貝殼。 平
滑肌動作遲緩,能保持貝殼長時間處于閉合狀態(tài)。
貝殼打開主要靠韌帶實現(xiàn),韌帶的功能是當(dāng)橫紋
肌松弛時,韌帶展開使兩殼張開。 貝柱即為閉殼
肌的主要部分,扇貝開殼的關(guān)鍵操作是刺激橫紋
肌(閉殼肌),使其失活,進(jìn)而使左右兩貝殼張開。
熱處理開殼主要通過瞬時加熱閉殼肌區(qū)域,使其
失活,實現(xiàn)開殼。
2. 2 蝦夷扇貝開殼生物特征參數(shù)
蝦夷扇貝的貝柱中心距離,貝柱直徑和貝柱
中心偏移距離[22]與扇貝長度的關(guān)系如圖 6 ~ 8,分
析可知蝦夷扇貝的貝柱直徑、貝柱中心偏移距離、
貝柱中心距離與扇貝長度呈現(xiàn)近似線性的關(guān)系,
可根據(jù)蝦夷扇貝的扇貝柱特征參數(shù)數(shù)據(jù)確定熱處
理開殼時蒸汽加熱的中心點(diǎn)。
NN
N
N
圖 6 貝柱中心距離與扇貝長度的關(guān)系
Fig. 6 The relationship between the central distance of
scallop and the length of scallop
128
第 6 期 倪錦等:基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析
NN
N
N
圖 7 貝柱直徑與扇貝長度的關(guān)系
Fig. 7 The relationship between the diameter of the scallop
adductor muscle and the length of the scallop
NN
N
N
圖 8 貝柱中心偏移距離與扇貝長度的關(guān)系
Fig. 8 The relationship between the offset distance of the
central part of the scallop adductor muscle and the
length of the scallop
蝦夷扇貝的熱處理精準(zhǔn)開殼需要控制蒸汽加
熱區(qū)域,因此還需獲知蝦夷扇貝的裙邊特征參數(shù),
通過樣本測量,獲取的蝦夷扇貝的裙邊特征參數(shù)
如圖 9~10 所示。
圖 9 裙邊長度占比分布圖
FIg. 9 Distribution chart of the length proportion of
the edge of the scallop
圖 10 裙邊寬度占比分布圖
Fig. 10 Distribution chart of edge and width proportion
從圖 9 和 10 中可知:裙邊的尺寸大小比例基
本固定,因此在蒸汽開殼中,可通過獲取扇貝的長
度,確定熱處理精準(zhǔn)開殼的蒸汽加熱區(qū)域。
在實際開殼操作中,可利用機(jī)器視覺獲取蝦
夷扇貝的扇貝長度,利用建立的蝦夷扇貝的生物
特征數(shù)據(jù),可方便地確定蝦夷扇貝熱處理開殼時
的蒸汽噴射區(qū)域,實現(xiàn)蝦夷扇貝閉殼肌區(qū)域組織
的精準(zhǔn)加熱,最大限度地降低蝦夷扇貝的組織熟
化,在保證開殼效果的前提下最大限度地保持
品質(zhì)。
2. 3 蝦夷扇貝的蒸汽連續(xù)噴射開殼效果
試驗環(huán)境溫度 33℃ ,利用蒸汽(140 ℃ ,9. 1
kg / h)直接噴射蝦夷扇貝的扇貝柱區(qū)域,探究連
續(xù)噴射下的開殼效果。 蒸汽噴嘴的入口口徑
8 mm。 蝦夷扇貝的殼長 110 ~ 120 mm、殼厚 22 ~
25 mm、質(zhì)量為 100 ~ 125 g / 枚。 蒸汽連續(xù)噴射蝦
夷扇貝開殼效果如圖 11 所示,在 140 ℃蒸汽的熱
力作用下能實現(xiàn)蝦夷扇貝熱力開殼,但貝柱表面
呈現(xiàn)明顯的組織變性,顏色發(fā)白。
圖 11 蒸汽連續(xù)噴射扇貝開殼效果
Fig. 11 The effect of continuous steam jetting on
shell opening of scallops
129
漁 業(yè) 現(xiàn) 代 化 2024 年
利用蒸汽(140 ℃ 、6. 6 kg / h)連續(xù)噴射扇貝,
絕大多數(shù)蝦夷扇貝的完全自然開殼所需的時間為
5~60 s,極個別的蝦夷扇貝超過 60 s 也未自然開
殼,由于蝦夷扇貝個體差異顯著,連續(xù)噴射蒸汽使
得蝦夷扇貝自然開殼,易使貝柱熟化,且會造成大
量蒸汽資源浪費(fèi)。 因此實際開殼中,宜采用瞬時
熱處理精準(zhǔn)開殼的方式,使得蝦夷扇貝的閉殼肌
失去活性,輔助機(jī)械設(shè)施實現(xiàn)蝦夷扇貝的開殼。
2. 4 不同溫度蒸汽噴射蝦夷扇貝開殼效果
設(shè)定兩組加熱條件:第一組,蒸汽溫度 160 ℃,
蒸汽壓力約 0. 6 MPa,蒸汽噴射流量約 9. 1 kg / h;第
二組,蒸汽溫度 140 ℃,蒸汽壓力約 0. 4 MPa,蒸汽噴
射流量約 9. 1 kg / h。 對蝦夷扇貝貝柱區(qū)域殼體瞬時
加熱,加熱時間 2~5 s,對比不同參數(shù)下蝦夷扇貝的
開殼效果,分別測量拉力值和開口寬度。
T
/
圖 12 蝦夷扇貝開殼拉力值與蒸汽噴射
時間的關(guān)系
Fig. 12 The relationship between the tensile force value for
shell opening of scallops and the steam jetting time
T
N
N
圖 13 蝦夷扇貝開口寬度與蒸汽噴射時間的關(guān)系
Fig. 13 The relationship between the opening width of
scallops and the steam jetting time
在相同溫度蒸汽下,蝦夷扇貝的開殼拉力值
隨著加熱時間增加而降低,在相同的加熱時間下,
若蒸汽溫度越高,則開殼拉力值越低。 蝦夷扇貝
的開口寬度隨著加熱時間增加而增大,相同的加
熱時間若蒸汽溫度越高,則開殼寬度越高。 由于
蝦夷扇貝的個體差異,相同條件下,拉力值和開殼
寬度呈現(xiàn)顯著差異。
100.0%
80.0%
60.0%
40.0%
20.0%
0.0%
1 2 3 4 5
140? 160?
T
圖 14 不同蒸汽噴射時間下蝦夷扇貝開殼完整率
Fig. 14 Shell opening integrity rate of scallops
under different steam jetting times
對比不同蒸汽噴射時間下蝦夷扇貝的開殼完
整率,在 140 ℃蒸汽噴射下,1 ~ 5 s 時間下蝦夷扇
貝均不能實現(xiàn)開殼完整率 100%。 在 160 ℃ 蒸汽
噴射下,2 s 時間以上蝦夷扇貝能夠?qū)崿F(xiàn)開殼完整
率 100%。
對比可以看出,在 140 ℃條件下,開殼完整率
低導(dǎo)致扇貝柱破損,影響產(chǎn)品品質(zhì)。 在 160 ℃ 條
件下,蝦夷扇貝的開殼開口寬度更大,所需的開殼
拉力值較小,開殼完整率更高,因此優(yōu)選 160 ℃作
為開殼溫度。
2. 5 不同蒸汽噴射時間下蝦夷扇貝的溫度分布
設(shè)定蒸汽溫度 160 ℃ ,蒸汽壓力大致為 0. 6
MPa,蒸汽噴射流量約為 9. 1 kg / h;對比加熱前和
噴射時間 1~5 s 的紅外圖像可知(圖 15),隨著加
熱時間的增加,蝦夷扇貝表面的平均溫度、最高溫
度和升溫區(qū)域范圍也呈現(xiàn)變大的趨勢,加熱 5 s
時間的最高溫度 76. 0 ℃ ,相對于加熱 1 s 時間的
最高溫度 64. 4 ℃ ,溫度升高 18%,故從品質(zhì)保持
的角度考慮,在滿足開殼的需求下,加熱的時間越
短越好。
130
第 6 期 倪錦等:基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析
T
T T
T T
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
圖 15 不同蒸汽噴射時間下蝦夷扇貝的溫度分布圖
Fig. 15 Temperature distribution chart of scallops under different steam jetting times
T
T
圖 16 不同蒸汽噴射時間下蝦夷扇貝溫度
變化曲線
Fig. 16 The temperature change curve of scallops under
different steam jetting times
2. 6 不同蒸汽噴射時間開殼的汁液流失
不同蒸汽噴射時間開殼的汁液流失如圖 17 所
示。 1 s 時間的蝦夷扇貝的汁液流失率為 0. 56%,
隨著加熱時間的延長,汁液流失率隨著加熱時間呈
現(xiàn)不斷增長的趨勢,在 5 s 時達(dá)到 1. 42%,總體汁液
流失率水平較低,在 2 s 瞬時加熱開殼條件下汁液
損失率為 0. 86%,損失輕微。
T
/s
/%
圖 17 汁液流失率與蒸汽噴射時間的關(guān)系
Fig. 17 The relationship between juice loss rate and
steam jetting time
2. 7 蝦夷扇貝開殼的外觀形態(tài)
蒸汽噴射參數(shù):溫度 160 ℃ ,蒸汽噴嘴的入口
口徑 8 mm。 殼長 110~120 mm,殼厚 22~25 mm,
質(zhì)量 100~ 125 g / 枚。 不同蒸汽加熱時間開殼后
131
漁 業(yè) 現(xiàn) 代 化 2024 年
蝦夷扇貝形態(tài)如圖 18 所示。
蝦夷扇貝在加熱 2 ~ 5 s 的條件下,均能保持
較好的外觀完整,在加熱 1 s 時,橫紋肌區(qū)域部分
分離,在機(jī)械拉開外殼的過程中,部分橫紋肌受到
破壞[23]
。 隨著加熱時間的延長,蝦夷扇貝的肌肉
組織的熟化程度[24] 越高, 2 s 時間瞬時加熱既能
滿足開殼要求也能較大限度地降低熟化。
T T
T T T
圖 18 不同加熱時間下的蝦夷扇貝開殼形態(tài)
Fig18 Shell opening morphology of scallops under different heating times
T T T T T
圖 19 不同加熱時間下貝柱及切面形態(tài)
Fig. 19 Morphology of scallop adductor muscle and its cross-section under different heating times
不同加熱時間下貝柱及切面形態(tài)如圖 19,隨
著蒸汽加熱時間的增加,扇貝柱表面熟化程度逐
漸增加,在 1 s 時,扇貝柱外觀破損,在 2 s 時,扇
貝柱外觀完整且基本保持生鮮狀態(tài)。
2. 8 不同蒸汽噴射時間下蝦夷扇貝開殼的感官
評價
不同蒸汽噴射時間的蝦夷扇貝開殼的感官評
價如圖 20 所示,開殼操作時加熱時間越長,閉殼
肌表面的熟化程度越高,開殼難度越低和開口大
小越大。 綜合感官評定和開殼效率[25-26]
,確定蒸
汽溫度 160 ℃ ,加熱時間 2 s 為較優(yōu)的瞬時熱處
理精準(zhǔn)開殼工藝參數(shù)。 蒸汽溫度 160 ℃的蝦夷扇
貝瞬時熱力開殼工藝,能夠較好地保持組織狀態(tài),
開殼容易,對比現(xiàn)有的蒸汽熱力開殼工藝[27-28]
,
具有較好的開殼效果,因此完全可適用于蝦夷扇
貝的熱力開殼。
2. 9 不同加熱時間下的閉殼肌色差分析
不同蒸汽加熱時間下的閉殼肌色差如圖 21,
132
第 6 期 倪錦等:基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析
生鮮扇貝閉殼肌的亮度 L?值為 47. 8,貝閉殼肌
的白度 L? 隨著蒸汽加熱時間的增加而增大,這
是由于蒸汽加熱時間的延長使閉殼肌熟化[29]
,由
透明逐漸變成白色。 這主要是由于蒸汽的熱作用
使扇貝閉殼肌纖維中的蛋白質(zhì)發(fā)生變性[30]
,肌漿
蛋白及原纖維蛋白等發(fā)生凝聚引起的閉殼肌表面
顏色變化,使閉殼肌的整體亮度提升,隨著蒸汽加
熱時間增加扇貝閉殼肌的 L? 基本呈現(xiàn)出先升
高后趨于穩(wěn)定的趨勢,當(dāng)蒸汽加熱時間 5 s 時,
L?值為 55. 4,相對于生鮮樣品增大了 15. 8%。
生鮮扇貝閉殼肌的 a?值為 3. 4,閉殼肌的紅度
a?隨著蒸汽加熱時間的增加而逐漸降低[31]
,當(dāng)
蒸汽加熱時間 5 s 時,a?值為 2. 2,相對于生鮮樣
品降低了 35. 3%。 生鮮扇貝閉殼肌的黃度 b?值
為 7. 6,扇貝閉殼肌的 b?隨著蒸汽加熱時間的增
加而增大,當(dāng)蒸汽加熱時間 5 s 時,a?值為 12. 2。
隨著蒸汽加熱時間的延長,扇貝閉殼肌 L?值、
a?值和 b?值的變化,反映為閉殼肌熟化。
T
fl
圖 20 不同蒸汽噴射時間的蝦夷扇貝開殼的感官評價
Fig. 20 Sensory evaluation of shell opening of scallops under different steam jetting times
- B C
圖 21 不同加熱時間下的閉殼肌色差
Fig. 21 Color difference of adductor muscle under different heating times
2. 10 蝦夷扇貝瞬時熱處理開殼工藝
利用蒸汽瞬時加熱蝦夷扇貝閉殼肌局部區(qū)域
可以實現(xiàn)蝦夷扇貝的開殼,由于蝦夷扇貝自身存
在顯著的差異性,通過蒸汽噴射(160 ℃ ,2 s) 并
不能實現(xiàn)全部蝦夷扇貝的自然開殼,還需輔助機(jī)
械設(shè)施實現(xiàn)蝦夷扇貝殼肉的完全分離。 由于蝦夷
扇貝規(guī)格熱容量的不同,不同規(guī)格的蝦夷扇貝的
熱力開殼存在一定的差異性。 研究得出如下結(jié)
論:殼長 110 ~ 120 mm,殼厚 22 ~ 25 mm,質(zhì)量為
100~ 125 g / 枚的蝦夷扇貝,采用蒸汽噴射( 160
℃ ,2 s),開殼后蝦夷扇貝的開殼完整率 100%,汁
液流失率 0. 86%,表明瞬時熱處理的蝦夷扇貝精
準(zhǔn)開殼方法能夠較好地保持生鮮品質(zhì)。 根據(jù)試驗
結(jié)果,確定蝦夷扇貝的瞬時熱處理開殼工藝方法:
133
漁 業(yè) 現(xiàn) 代 化 2024 年
1)獲取蝦夷扇貝的外形圖像特征數(shù)據(jù)。 采
用工業(yè)相機(jī)獲取開殼加工前的蝦夷扇貝的圖像 P
(i),P( i) 代表第 i 個蝦夷扇貝圖像。 利用 SIFT
等特征算法[32] 獲取圖像 P( i) 的特征,并將獲取
的特征與預(yù)先存儲的蝦夷扇貝左右面圖像特征庫
進(jìn)行匹配,判斷出蝦夷扇貝的左右殼,并利用機(jī)械
裝置調(diào)整蝦夷扇貝擺放,使蝦夷扇貝的左殼向上。
進(jìn)一步對圖像 P ( i) 進(jìn)行灰度,二值化閾值分
割[33]
,高斯濾波和形態(tài)學(xué)處理[34]
,采用 Canny 邊
緣檢測算法[35]獲得蝦夷扇貝輪廓,采用最小外接
圓算法,得到蝦夷扇貝的最小外接圓[36]
,計算出
最小外接圓的直徑 D(i)。
2)確定蒸汽噴嘴的中心位置。 以蝦夷扇貝
外接圓的圓心為坐標(biāo)原點(diǎn),建立蝦夷扇貝個體坐
標(biāo)系如圖 22。 結(jié)合統(tǒng)計分析的蝦夷扇貝生物學(xué)
特征數(shù)據(jù),確定蒸汽噴嘴的中心坐標(biāo)點(diǎn)為 ( 0,
-0. 199 D(i))。
圖 22 蝦夷扇貝的外接圓示意圖
Fig. 22 Schematic diagram of the circumcircle of scallop
3)確定蝦夷扇貝的蒸汽加熱區(qū)域。 計算蝦
夷扇貝的左殼加熱區(qū)域,加熱區(qū)域的控制方程為
x
2+(y+0. 997 D(i))
2 = (0. 167 D(i))
2
,選取合適
的蒸汽噴嘴,確保蒸汽加熱主體圍繞該區(qū)域,利用
蒸汽順時高溫加熱破壞閉殼肌活性。
4)確定瞬時熱處理精準(zhǔn)開殼參數(shù)。 利用機(jī)
器視覺設(shè)施,獲取蝦夷扇貝的扇貝長度 L( i) ,
L( i)代表第 i 個蝦夷扇貝的扇貝長度。 蒸汽噴
射參數(shù)根據(jù)蝦夷扇貝的扇貝長度,蒸汽溫度為
160±2 ℃ ,加熱時間為 2. 0 s,具體蒸汽參數(shù)如
表 2。
表 2 瞬時熱處理精準(zhǔn)開殼參數(shù)
Tab. 2 Precise shell opening parameters for instantaneous
heat treatment
蝦夷扇貝
質(zhì)量/ g
70<L(i)
≤90
90<L(i)
≤110
110<L(i)
≤120
120<L(i)
≤150
蒸汽流量/ (kg / h) 8. 2 9. 1 10. 2 11. 5
5)確定機(jī)械輔助去殼作用力。 按照表 2 規(guī)
定的瞬時熱處理精準(zhǔn)開殼參數(shù),完成蝦夷扇貝左
殼的蒸汽噴射,然后利用真空吸嘴或機(jī)械設(shè)施將
左殼去除,去殼的作用力不小于 15 N。 本研究確
定的蝦夷扇貝瞬時熱力開殼工藝可連續(xù)式精準(zhǔn)開
殼,目前的普遍熱力開殼工藝無法滿足精準(zhǔn)開殼,
統(tǒng)一的熱力參數(shù)導(dǎo)致蝦夷扇貝在熱力開殼過程中
品質(zhì)難以控制,本方法較現(xiàn)有的熱力開殼方法更
為精準(zhǔn)和可靠,能夠針對蝦夷扇貝的規(guī)格參數(shù)設(shè)
定開殼參數(shù),在良好開殼的同時保證了開殼后蝦
夷扇貝的品質(zhì),在最大限度降低能耗的同時實現(xiàn)
了蝦夷扇貝的高質(zhì)量加工。
3 結(jié)論
開展了蝦夷扇貝的瞬時熱力開殼研究,研究
表明:蝦夷扇貝在蒸汽噴射(160 ℃ )條件下,與蒸
汽噴射(140 ℃ )相比,開殼的開口寬度更大、開殼
拉力值更小、開殼完整率更高,優(yōu)選 160 ℃作為瞬
時熱處 理 的 蒸 汽 熱 源 溫 度。 針 對 殼 長 110 ~
120 mm、殼厚 22 ~ 25 mm、質(zhì)量 100 ~ 125 g / 枚的
蝦夷扇貝,研究確定的開殼工藝:扇貝柱區(qū)域外殼
蒸汽噴射(160 ℃ ,2 s),蒸汽流量可根據(jù)瞬時熱
處理精準(zhǔn)開殼參數(shù)設(shè)定,能夠針對蝦夷扇貝實現(xiàn)
精準(zhǔn)瞬時熱力開殼,開殼后的開殼完整率 100%,
汁液流失率 0. 86%,扇貝柱基本保持生鮮狀態(tài),
開殼效果良好,品質(zhì)保持優(yōu)良,是比較適宜的瞬時
熱力開殼工藝。 □
參考文獻(xiàn)
[1] 徐帥,王曉梅,趙春暖,等. 蝦夷扇貝自交與雜交群體不同時
期的生長比較和通徑分析[ J]. 海洋漁業(yè), 2024, 46 ( 4):
446-458.
[2] 勵建榮. 我國水產(chǎn)品加工業(yè)現(xiàn)狀與發(fā)展戰(zhàn)略[ J]. 保鮮與加
工,2005,5(3):1-3.
[3] 滕瑜,王彩理. 國內(nèi)外水產(chǎn)品加工的研究現(xiàn)狀[ J]. 天津水
產(chǎn),2005(3):10-13.
[4] HARRIS H,SMITH D A. Method for thermally peeling produce
continuousy at high temperatures and low pressures:United States,
134
第 6 期 倪錦等:基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析
4. 671. 965A[P]. 1987-06-09.
[5] 沈建,林蔚,郁蔚文,等. 我國貝類加工現(xiàn)狀與發(fā)展前景[ J].
中國水產(chǎn),2008(3):73-75.
[6] GIFFORD W J, PLEASANTVILLE F B. Water cooled roller
shucker for shuckfish:united states,4924555[P]. 1990-05-15.
[7] JABBOUR T,HOGNASON G. Method for shucking lobster. crab
or shrimp:united states,US2011 / 0070353 AI[P]. 2011-03-24.
[8] RAGHUBEER E V, PHAN B. Method to remove meat from
crabs:united states,US20060205332 AI[P]. 2006-09-14.
[9] 李秋實,王家忠,弋景剛,等. 海灣扇貝閉殼肌剝離設(shè)備的發(fā)
展現(xiàn)狀與展望[J]. 廣東農(nóng)業(yè)科學(xué),2013(10):198-201.
[10]王家忠,李秋實,弋景剛,等. 扇貝剝離設(shè)備噴嘴內(nèi)部流場的
仿真分析與參數(shù)優(yōu)化[ J]. 現(xiàn)代食品科技, 2014, 30 ( 1):
143-146.
[11]CRUZ M R,SMIDDY M,HILL C,et al. Effects of high pressure
treatment on physicochemical characteristics of fresh oysters
(Crassostrea gigas) [ J]. Innovative Food Science and Emerging
Technologies,2004,5(2):161-169.
[12]王家忠,李磊,孔德剛,等. 基于紅外輻射的鮮活扇貝開殼方
法與參數(shù)優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報. 2022,38(1):324-331.
[13]龍官譽(yù),柯志剛,相興偉,等. 激光開殼技術(shù)對貽貝肉脫殼率
和品質(zhì)的影響研究[J]. 核農(nóng)學(xué)報,2023,37(5):990-998.
[14]孔德剛,江達(dá),王家忠,等. 海灣扇貝熱處理開殼裝置設(shè)計與
試驗[J]. 中國農(nóng)機(jī)化學(xué)報,2023,44(2):76-82.
[15]弋景剛,吳紅雷,姜海勇,等. 蒸汽式扇貝開殼裝置工作參數(shù)
優(yōu)化[J]. 農(nóng)業(yè)工程學(xué)報,2014,30(18):70-77.
[16]賀興禹,沈建,歐陽杰,等. 超高壓對牡蠣開殼效果及品質(zhì)變
化的影響[J]. 漁業(yè)現(xiàn)代化,2023,50(3):97-103.
[17]張靜,弋景剛,姜海勇,等. 蒸汽式扇貝柱脫殼技術(shù)優(yōu)化[ J].
廣東農(nóng)業(yè)科學(xué),2013,40(14):120-122.
[18] 李偉青,王頡,孫劍鋒,等. 海灣扇貝營養(yǎng)成分分析及評價
[J]. 營養(yǎng)學(xué)報,2011,33(6):630-632.
[19]GB 2733—2005 鮮、凍動物性水產(chǎn)品衛(wèi)生標(biāo)準(zhǔn)[S].
[20]龐寶成,王憲岱,梁久征. 蝦夷扇貝組織結(jié)構(gòu)分析[ J]. 河北
漁業(yè),2016(1):12-15.
[21]孔德剛,弋景剛,姜海勇,等. 海灣扇貝開殼取貝柱工藝方案
的研究[J]. 中國農(nóng)機(jī)化學(xué)報,2014(2):230-234.
[22]杜美榮,王彬,張繼紅,等.一齡櫛孔扇貝殼長與殼高對濕重
的相關(guān)性和通徑分析[ J]. 中國農(nóng)學(xué)通報,2012,28 ( 20):
136-139.
[23]陳偉嬋,曾少葵,吳文龍. 凍藏時間對扇貝閉殼肌及裙邊理
化性質(zhì)的影響[ J]. 食品安全質(zhì)量檢測學(xué)報,2015,6( 10):
3998-4002.
[24]梁宏,王一帆,管紋萱,等. 即烹扇貝冷凍預(yù)制菜的質(zhì)構(gòu)特性
及營養(yǎng)品質(zhì)評價分析[ J]. 食品安全質(zhì)量檢測學(xué)報, 2024
(5):23-33.
[25]劉蓉,劉雨曦,張玉瑩,等. 基于代謝組學(xué)的蝦夷扇貝不同組
織風(fēng)味與營養(yǎng)成分變化差異[ J]. 食品科學(xué),2022,43(20):
289-295.
[26] WU ZX, LI DY, SHEN M, et al. Effect of different sous-vide
cooking conditions on textural properties,protein physiochemical
properties and microstructure of scallop ( Argopecten irradians)
adductor muscle [J]. Food Chem,2022,394:133470.
[27]王繼濤. 熱處理對扇貝閉殼肌肌動球蛋白生化性質(zhì)的影響
[J]. 食品與發(fā)酵工業(yè),2012,38(2):22-26.
[28]張馨丹,王慧慧,蘆金石,等. 貝類預(yù)煮加工設(shè)備結(jié)構(gòu)設(shè)計及
運(yùn)動仿真[J]. 食品與機(jī)械,2016,32(7):69-71.
[29]鞏雪. 超高壓作用下扇貝閉殼肌色差變化探析[ J]. 包裝學(xué)
報,2022(1):70-80.
[30]步營. 胡顯杰,劉瑛楠,等. 兩種濃縮方式對扇貝蒸煮液色澤
及揮發(fā)性風(fēng)味物質(zhì)的影響[ J]. 中國調(diào)味品, 2019 ( 12):
12-17.
[31]鞏雪,常江,李丹婷,等. 超高壓對扇貝界面閉殼肌結(jié)構(gòu)的影
響[J]. 食品科學(xué),2021(13):87-93.
[32]楊祥,周楠. 改進(jìn) SIFT 的特征提取與圖像拼接方法[J]. 桂林
理工大學(xué)學(xué)報,2023(1):131-136.
[33]孫海蓉,伍金文. 基于加權(quán)灰度圖與混合閾值分割方法的光
伏熱斑檢測[J]. 電力科學(xué)與工程,2024(1):63-68.
[34]王慧玲,王浩,張巖. 基于多尺度形態(tài)學(xué)的彩色圖像濾波算
法的研究[J]. 阜陽師范學(xué)院學(xué)報(自然科學(xué)版),2014( 3):
37-39.
[35]田貝樂,牛宏俠,劉義健.一種優(yōu)化的 Canny 邊緣檢測算法
[J]. 鐵路計算機(jī)應(yīng)用,2021(10):14-18.
[36]干江紅,汪潔,許美紅. 基于外包絡(luò)點(diǎn)的最小外接圓誤差快
速評定方法[J]. 計量學(xué)報,2023(5):687-693.
135
漁 業(yè) 現(xiàn) 代 化 2024 年
Accurate shucking method and quality analysis of scallop
(Patinopecten yessoensis) based on instantaneous heat treatment
NI Jin
1,2,3
,TAN Jiayu
1,2,3
,ZHANG Junwen
1,2,3
,SHEN Jian
1,2,3
(1 Fishery Machinery and Instrument Research Institute,Chinese Academy of
Fishery Sciences,Shanghai 200092,China;
2 Collaborative Innovation Center of Seafood Deep Processing,
Dalian Polytechnic University,Dalian 116034,Liaoning,China;
3 Key Laboratory of Ocean Fishing Vessel and Equipment,
Ministry of Agriculture and Rural Affairs,Shanghai 200092,China)
Abstract:In view of the difficulties and low efficiency of manual shucking of fresh scallop,and the potential
impact of traditional thermal treatment on the quality of fresh scallop ( Patinopecten yessoensis), a precise
shucking method based on instantaneous thermal treatment was proposed for scallop. Temperature is the key
factor determining the effect and quality of scallop shucking by thermal treatment. In order to explore the
precise shucking method of scallop by instantaneous thermal treatment,the body shape parameters of scallop
were measured to construct a precise steam jet shucking method. By comparing the shucking integrity rate,
color difference, juice loss rate, etc. of scallop under different instantaneous thermal treatment conditions,
combined with sensory evaluation analysis,the optimal instantaneous shucking parameters were determined.
The results showed that compared with 140 ℃ steam,the opening width of scallop was larger,the shucking
tensile value was smaller,and the shucking integrity rate was higher under the action of 160 ℃ steam,thus
determining the heat source temperature of instantaneous thermal treatment as 160 ℃ . The longer the steam
spraying time, the smaller the difficulty of scallop shucking, the larger the opening width, and the
comprehensive sensory evaluation determined that the steam spraying time of instantaneous thermal treatment
was 2 s. For scallop with a shuck length of 110-120 mm,a shuck thickness of 22-25 mm,and a weight of 100-
125 g / piece,using steam spraying (160 ℃ ,2 s),the shucking integrity rate of scallop was 100%,and the
juice loss rate was 0. 86%. The study showed that the precise shucking of scallop by instantaneous thermal
treatment could better maintain the quality of fresh scallops,providing a theoretical basis for the automated
processing of scallops.
Key words:Patinopecten yessoensis; steam; shuck method; quality
136
第 6 期 《漁業(yè)現(xiàn)代化》2024 年第 51 卷總目次
《漁業(yè)現(xiàn)代化》2024 年第 51 卷總目次
綜述與專論
光照在甲殼動物養(yǎng)殖中的應(yīng)用研究進(jìn)展 ………………………………………………… 牛林洋,董宏標(biāo),鄭曉婷,等(1) 1
福建省裝備型深遠(yuǎn)海養(yǎng)殖發(fā)展現(xiàn)狀及建議 ……………………………………………………………………… 林潔梅(1)11
基于深度學(xué)習(xí)的魚類跟蹤技術(shù)研究進(jìn)展 …………………………………………………… 李鵬龍,張勝茂,沈烈,等(2) 1
漁獲物海上稱重技術(shù)國內(nèi)外發(fā)展現(xiàn)狀及展望 ………………………………………………… 葛楓曄,鄭曉偉,鄭本中(2)14
淡水池塘養(yǎng)殖尾水處理技術(shù)研究綜述 ……………………………………………………… 張俊,姚晶晶,程果鋒,等(4)95
基于被動聲學(xué)的對蝦攝食行為研究進(jìn)展 …………………………………………………… 劉慧儀,田昌鳳,劉晃,等(5) 1
魚肉切割技術(shù)的發(fā)展現(xiàn)狀與展望 ………………………………………………………………… 肖哲非,馬田田,沈建(5) 9
水產(chǎn)養(yǎng)殖工程
草魚池塘養(yǎng)殖水體的懸浮物特征 …………………………………………………………… 陳哲,劉興國,程翔宇,等(1)19
配重系統(tǒng)對 HDPE 圓形重力式網(wǎng)箱水動力特性影響研究 ………………………………… 王笑,黃六一,鄔騫力,等(1)29
水產(chǎn)養(yǎng)殖中傳統(tǒng)增氧設(shè)備增氧能力差異分析 ……………………………………………… 鐘偉,吳姍姍,韓夢遐,等(1)39
國內(nèi)外深遠(yuǎn)海養(yǎng)殖設(shè)施標(biāo)準(zhǔn)對比分析及建議 ………………………………………………… 吳姍姍,鄭建麗,曹建軍(1)48
折角比對養(yǎng)殖工船艙內(nèi)流場特性的影響 ……………………………………………………… 趙玲菲,薛博茹,趙云鵬(2)22
大連市烏蟒島海域大型深水坐底式網(wǎng)箱建設(shè)適宜性分析 …………………………………… 劉敏,遲慶宏,李興,等(2)32
深水網(wǎng)箱養(yǎng)殖水性給料投飼機(jī)設(shè)計與研究 ……………………………………………… 張世中,張?zhí)鞎r,劉國濤,等(2)39
基于 LoRa 無線通信的電子脈沖攔魚器設(shè)計 ……………………………………………… 陳偉恒,王明武,賽開陽,等(2)45
導(dǎo)向式活魚分級裝置設(shè)計及試驗 ……………………………………………………………… 王志勇,徐志強(qiáng),鄒海生(3) 1
綠光輻照度對紅鰭東方鲀視網(wǎng)膜、視蛋白基因及氧化應(yīng)激的影響 ……………………… 張志博,吳燕玲,張怡寧,等(3) 8
短波紫外線輻照對近江牡蠣眼點(diǎn)幼蟲存活及附著的影響 …………………………………… 葛善,黃六一,劉曉,等(3)17
羅非魚養(yǎng)殖尾水絮凝去除效果研究 ……………………………………………………… 程果鋒,程翔宇,周宏亮,等(3)25
波浪作用下半潛式網(wǎng)箱浮架結(jié)構(gòu)的參數(shù)敏感性分析 ………………………………………… 孔令蔚,楊蕖,馬超,等(3)33
基于加速度分量測量的水下網(wǎng)衣破損定位方法 ……………………………………………… 孫衍謙,李子介,趙云鵬(3)46
多浮球阻力性能海上實測與數(shù)值模擬研究 …………………………………………… 岳云鵬,周駿,扈喆,張曉瑩,等(3)61
飼料粘合劑對刺參循環(huán)水養(yǎng)殖水質(zhì)、生長及腸道微生物的影響 ………………………… 周宜敬,宋晨雨,杜凌翔,等(4)14
循環(huán)水養(yǎng)殖系統(tǒng)中二氧化碳對魚類的影響及去除方法 …………………………………… 倉晟楠,呂欣藍(lán),胡鑫,等(4)27
短期存貯溫度對生物絮團(tuán)反硝化性能的影響 …………………………………………… 肖定東,劉文暢,郭衍碩,等(4)37
海水養(yǎng)殖殘飼糞便衍生生物炭對水體中污染物的去除 ………………………………… 蔡永坤,田文靜,張翔宇,等(4)48
LED 光照對生物絮團(tuán)模式下凡納濱對蝦肌肉營養(yǎng)成分的影響 ………………………… 牛林洋,董宏標(biāo),鄭曉婷,等(4)57
虎龍雜交斑循環(huán)水育苗系統(tǒng)設(shè)計及應(yīng)用效果 ………………………………………………… 黃達(dá),張和森,劉敏,等(4)66
射流式泡沫分離器中氣水比對水處理效率的影響 …………………………………………… 姜浩,柳瑤,宋協(xié)法,等(4)73
水力負(fù)荷對內(nèi)循環(huán)生物脫氮裝置脫氮效能影響及其機(jī)理 ………………………………… 鄭毅凱,李甍,孫佐梁,等(4)82
3 種水生植物潛流人工濕地模擬處理池塘養(yǎng)殖尾水的研究 …………………………… 闕祥堯,張燕萍,余建芳,等(4)105
對蝦養(yǎng)殖環(huán)境脫氮脫硫復(fù)合菌的構(gòu)建與效能分析 …………………………………………… 李梓路,劉暢,李騰,等(5)18
橫搖晃蕩對矩形工船養(yǎng)殖艙內(nèi)流場與顆粒物去除的影響 ………………………………… 吉澤坤,劉晃,崔銘超,等(5)28
灣外底層延繩式養(yǎng)鮑系統(tǒng)水動力特性 ……………………………………………………… 康慧楠,蔡卓君,扈喆,等(5)38
大型養(yǎng)殖工船氧錐設(shè)計與運(yùn)行效果試驗 ………………………………………………… 林禮群,馬鳳爽,張耀明,等(5)48
黃河三角洲鹽堿地稻蟹共作系統(tǒng)水質(zhì)和底棲生物群落 ………………………………………… 徐嬋,劉峰,李嫻,等(5)56
養(yǎng)殖工船養(yǎng)殖艙清潔系統(tǒng)的設(shè)計與清潔能力分析 …………………………………………… 郭宇,劉璧鉞,方波,等(6) 1
草魚疫苗連續(xù)自動注射裝置設(shè)計與試驗 ………………………………………………………… 洪揚(yáng),朱燁,楊猛,等(6)10
Ⅰ
漁 業(yè) 現(xiàn) 代 化 2024 年
聚乙烯網(wǎng)衣破損因素下的水動力特性與流場模擬 ……………………………………… 唐元龍,謝迎春,袁昊訓(xùn),等(6) 20
不同 LED 光譜和輻照度耦合對刺參行為與生理指標(biāo)的影響 …………………………… 張小龍,趙欣宇,蔡皓瑋,等(6) 31
一種升降清洗式水質(zhì)傳感器管控裝置研制及應(yīng)用 …………………………………………… 李旭,江興龍,陳慶祥(6) 40
海洋環(huán)境監(jiān)測平臺數(shù)據(jù)采集吊艙減搖裝置動力學(xué)分析與試驗 ………………………… 李文松,李明智,王生海,等(6) 49
羅非魚養(yǎng)殖尾水污染物沉降特征研究 ……………………………………………………… 程果鋒,郭澤裕,王婕,等(6) 61
漁業(yè)信息化
基于 Mel 聲譜圖與改進(jìn) SEResNet 的魚類行為識別………………………………………… 楊雨欣,于紅,楊宗軼,等(1) 56
基于主動識別聲吶的養(yǎng)殖塘南美白對蝦探測與初步分析 ………………………………… 沈蔚,盧泉水,彭戰(zhàn)飛,等(1) 64
基于稠密光流和統(tǒng)計學(xué)的蝦苗活力檢測方法 ……………………………………………… 薛江浩,陳明,苗揚(yáng)揚(yáng),等(1) 71
基于線激光三角測距法的魚體測距研究 ………………………………………………… 俞圣池,李佳康,熊鑫泉,等(1) 80
基于 ResNet34 模型的大菱鲆魚苗識別計數(shù)方法 …………………………………………… 涂雪瀅,錢程,劉世晶,等(1) 90
邊緣算力在智能水產(chǎn)養(yǎng)殖方面研究與應(yīng)用 ………………………………………………… 張鋒,黃自強(qiáng),申啟楊,等(2) 53
改進(jìn)的 DeepLabCut 魚類游動軌跡提取……………………………………………………… 雷幫軍,裴斐,吳正平,等(2) 61
寬帶分裂波束探魚儀相位校準(zhǔn)與方位角估計模塊的實現(xiàn) ……………………………… 王志俊,湯濤林,張玉濤,等(2) 70
基于改進(jìn) YOLOv5n 的輕量化海產(chǎn)生物目標(biāo)檢測…………………………………………… 張翔,張俊虎,李海濤,等(3) 89
基于機(jī)器視覺的工廠化循環(huán)水養(yǎng)殖智能投喂策略 ………………………………………… 李脈,李東升,鄭吉澍,等(4) 1
基于輕量級非線性無激活網(wǎng)絡(luò)的水下圖像增強(qiáng) ……………………………………………………… 黃宏濤,袁紅春(5) 63
基于改進(jìn) YOLOv8n 損失函數(shù)的克氏原螯蝦體特征識別算法…………………………… 耿春新,王愛民,閻天宇,等(5) 72
基于 Prune-YOLOv5s 的養(yǎng)殖魚類缺氧風(fēng)險評估方法 …………………………………… 陳庭槿,黃耀波,陳炫辛,等(5) 81
基于注意力機(jī)制的 DM-BCNN 鯊魚種群細(xì)粒度分類方法 …………………………………… 蔣飛,李皞,李雅琴,等(5) 90
一種基于視覺的魚苗體長快速非接觸測量方法 ………………………………………… 馬志艷,吳佳俊,周明剛,等(6) 69
基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法 ………………………………… 蘇碧儀,梅海彬,袁紅春(6) 80
基于改進(jìn) YOLOv8 的輕量級魚類檢測方法 ……………………………………………… 王鑫怡,劉旭騰,鄭紀(jì)業(yè),等(6) 91
基于 SE-ResNet18 模型的三疣梭子蟹性別分類方法 …………………………………… 王日成,鄭雄勝,高玉鳳,等(6)100
基于多尺度殘差連接的水下圖像自適應(yīng)增強(qiáng) ………………………………………………………… 謝小文,袁紅春(6)115
水產(chǎn)品加工
海參清洗剖切一體化設(shè)備設(shè)計 ……………………………………………………………… 楊勝,孫永軍,鞠文明,等(1) 98
不同放血方法對鳙魚魚肉品質(zhì)的影響 ………………………………………………………… 黃天,沈建,歐陽杰,等(2) 85
紅外心率測定技術(shù)在香港牡蠣?；钸\(yùn)輸過程中的應(yīng)用 …………………………………… 鄧杰,常向陽,林恒宗,等(2) 93
南極磷蝦螺旋軸套加熱干燥特性及干燥動力學(xué)模型 …………………………………… 馬靖松,歐陽杰,馬田田,等(2)102
淹沒水射流式貝肉清洗裝置設(shè)計與試驗 …………………………………………………… 王杰群,李明智,劉鷹,等(3) 98
蒸煮過程中南極磷蝦蝦青素降解動力學(xué)研究 …………………………………………… 馬田田,肖哲非,歐陽杰,等(5)110
基于瞬時熱處理的蝦夷扇貝精準(zhǔn)開殼方法及品質(zhì)分析 …………………………………… 倪錦,談佳玉,張軍文,等(6)125
漁船與捕撈
遼東灣多錨單片張網(wǎng)魚蝦分離網(wǎng)片的選擇性研究 ……………………………………… 秦旭楊,張春鵬,崔筱杰,等(1)106
歐式圍網(wǎng)起網(wǎng)理網(wǎng)機(jī)負(fù)載敏感液壓系統(tǒng)設(shè)計及仿真 ……………………………………… 石鑫,諶志新,馬鳳爽,等(2) 78
金槍魚延繩釣單絲和繩索的慣性力系數(shù)和阻力系數(shù)研究 ……………………………… 宋利明,張錦輝,李玉偉,等(3) 70
基于流固耦合算法的不同材料網(wǎng)板水動力試驗 ………………………………………… 初文華,武樹龍,王一博,等(3) 79
基于 CFD 的某遠(yuǎn)洋圍網(wǎng)漁船縱傾節(jié)能技術(shù) ………………………………………………………………… 李納,高瑞(5)102
Ⅱ
平 ? 梡 ? ?
Y U Y E XIANDAI H U A
1 9 7 3 ? ? ?
? 剢 ?
?2 9 3 劍 痦 ? 痦 6 劍 )
2 0 2 4 ? 12剢
F I S H E R Y
M O D E R N I Z A T I O N
( B i m o n t h l y )
V o l . 5 1 , N o . 6 , 2 0 2 4
( Tota l N o . 2 9 3 )
December 2 0 2 4
51
???? ??
????????????
?????
??
φ
φ
φ
