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. 006 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

李文松,李明智,王生海,等. 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(yàn)[J]. 漁業(yè)現(xiàn)代化,2024,51(6):49-60.

收稿日期:2024-09-14

基金項(xiàng)目:國家重點(diǎn)研發(fā)計(jì)劃( 2020YFD0900700);國家貝類產(chǎn)業(yè)技術(shù)體系設(shè)施養(yǎng)殖崗位( CARS - 48);遼寧省教育廳科學(xué)研究項(xiàng)目

(DL202004);遼寧省自然科學(xué)基金計(jì)劃項(xiàng)目(2023-BSBA-020);設(shè)施漁業(yè)教育部重點(diǎn)實(shí)驗(yàn)室(大連海洋大學(xué))項(xiàng)目(202320)

作者簡介:李文松(1999—),男,碩士研究生,研究方向:漁業(yè)裝備與工程、船舶工程。 E-mail:2567217512@ qq. com

通信作者:李明智(1984—),男,博士,副教授,研究方向:漁業(yè)裝備與工程、船舶機(jī)電一體化。 E-mail:limingzhi@ dlou. edu. cn

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(yàn)

李文松1

,李明智1,2

,王生海3

,王剛4

,王璽華1

,萬殿鵬1

(1 大連海洋大學(xué)航海與船舶工程學(xué)院,遼寧 大連 116023;

2 設(shè)施漁業(yè)教育部重點(diǎn)實(shí)驗(yàn)室(大連海洋大學(xué)),遼寧 大連 116023;

3 大連海事大學(xué)輪機(jī)工程學(xué)院,遼寧 大連 116026;

4 大連海洋大學(xué)創(chuàng)新創(chuàng)業(yè)學(xué)院,遼寧 大連 116023)

摘要:隨著海洋牧場建設(shè)向縱深發(fā)展,環(huán)境監(jiān)測平臺已廣泛應(yīng)用于海洋牧場海水養(yǎng)殖環(huán)境監(jiān)測中。 針對生產(chǎn)

使用的海洋環(huán)境監(jiān)測平臺數(shù)據(jù)采集吊艙布放回收過程中因受風(fēng)、浪、流影響下出現(xiàn)的電纜斷裂損壞問題,設(shè)

計(jì)了一種海上平臺吊艙減搖裝置。 基于牛頓第二定律建立了海上平臺橫搖、縱搖激勵下的吊艙減搖裝置動

力學(xué)模型,并使用 Matlab / Simulink 軟件進(jìn)行了數(shù)值仿真分析,比較了有無減搖裝置情況下吊艙擺幅的變化

情況。 結(jié)果顯示:在有減搖裝置的情況下,吊艙的面內(nèi)角擺動幅度可減小約 66. 9%,面外角擺動幅度可減小

約 69%,平均減搖比為 67. 95%,在已有的理論基礎(chǔ)上搭建了樣機(jī)并進(jìn)行了試驗(yàn)驗(yàn)證。 結(jié)果顯示,吊艙減搖裝

置對吊艙的擺幅具有明顯的抑制作用,面內(nèi)角擺動幅度可減小約 73. 5%。 研究表明,吊艙減搖裝置對提高海

洋牧場監(jiān)測平臺數(shù)據(jù)采集系統(tǒng)的可靠性與安全性具有重要的實(shí)踐指導(dǎo)意義。

關(guān)鍵詞:海上平臺;數(shù)據(jù)采集吊艙;減搖裝置;動力學(xué)分析

中圖分類號:U664. 4 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0049-012

隨著海洋牧場建設(shè)向縱深發(fā)展,以海洋養(yǎng)殖

環(huán)境監(jiān)測為核心的海洋牧場養(yǎng)殖模式越來越受到

重視[1-2]

。 其中,基于海上平臺的數(shù)據(jù)采集吊艙

在線監(jiān)測技術(shù)已成為一項(xiàng)重要的監(jiān)測手段,可以

實(shí)現(xiàn)海洋牧場海水養(yǎng)殖環(huán)境的原位、長期、連續(xù)和

實(shí)時在線監(jiān)測[3-4]

。 數(shù)據(jù)采集吊艙上搭載的各類

傳感器設(shè)備是在線監(jiān)測系統(tǒng)的核心部分,由于數(shù)

據(jù)采集吊艙布放回收過程具有動態(tài)性、復(fù)雜性和

不確定性等特點(diǎn),海上平臺在海洋中受到來自風(fēng)、

波浪、海流聯(lián)合作用的影響下發(fā)生 6 個自由度的

激勵作用[5]

,激勵通過海上平臺傳遞給數(shù)據(jù)采集

吊艙,海上平臺激勵與數(shù)據(jù)采集吊艙慣性的耦合

作用使得數(shù)據(jù)采集吊艙產(chǎn)生大幅擺動[6]

,尤其當(dāng)

吊艙在水中拉起至海上平臺這個過程中由于受到

海浪的作用與海上平臺發(fā)生碰撞對數(shù)據(jù)采集吊艙

造成危害,易造成設(shè)備損壞和纜繩斷裂,因此布放

回收過程一直是影響監(jiān)測系統(tǒng)高效穩(wěn)定的技術(shù)難

點(diǎn)之一[7-9]

。

布放回收技術(shù)主要包括水面回收和水下回收

兩個方面,通過船舶或海上平臺水面布放回收是

目前的主流技術(shù)方向[10-11]

。 傳統(tǒng)單纜水下監(jiān)測

設(shè)備由海上平臺拖纜下放,當(dāng)海上平臺發(fā)生大幅

度運(yùn)動時,監(jiān)測設(shè)備的危險性將大大提高[12-13]

。

因此,布放回收過程中減少水下監(jiān)測設(shè)備的擺動

幅度變得尤為重要。 基于海上平臺進(jìn)行吊艙布放

回收類似于船用起重機(jī)起吊重物。 近年來,國內(nèi)

外研究人員對船用起重機(jī)吊重的減搖問題進(jìn)行了

系列研究,Martin 等[14]提出了一種船用起重機(jī)自

抗擾系統(tǒng),能有效補(bǔ)償船舶的 6 自由度運(yùn)動,減少

了吊重不期望的有效載荷運(yùn)動。 Ren 等[15] 提出

了一種不依賴空間狀態(tài)方程,且不論系統(tǒng)構(gòu)型如

何均能有效減小懸掛吊重?fù)u擺的無模型防擺方

案。 王生海等[16] 介紹了單擺在 2 自由度激勵條

件下的動力學(xué)建模及擺動抑制問題。 孫茂凱

漁 業(yè) 現(xiàn) 代 化 2024 年

等[17]提出了一種將船用多柔索減搖系統(tǒng)簡化成

受船舶運(yùn)動和風(fēng)載荷激勵的約束擺模型,對多柔

索減搖系統(tǒng)的動力學(xué)特性進(jìn)行仿真分析。 陳海泉

等[18]建立了一種配備牽引索式減搖裝置的船用

起重機(jī)吊重系統(tǒng)動力學(xué)模型,研究了其在單自由

度激勵作用下的擺動抑制問題。 然而,這些機(jī)械防

擺裝置大多應(yīng)用于船用起重機(jī),結(jié)構(gòu)復(fù)雜、體積較

大、造價昂貴,因此在實(shí)際海上平臺上的應(yīng)用受到

了一定的限制,難以適應(yīng)海洋牧場環(huán)境監(jiān)測任務(wù)。

目前,不同海洋環(huán)境下基于海上平臺進(jìn)行吊艙布放

回收過程中的穩(wěn)定與安全問題仍然是技術(shù)難點(diǎn)。

本研究基于海上平臺的水面布放回收,針對

海上平臺對數(shù)據(jù)采集吊艙進(jìn)行布放回收時外部激

勵作用下吊艙會產(chǎn)生大幅度擺動,易造成數(shù)據(jù)采

集吊艙損壞及電纜斷裂問題,設(shè)計(jì)一種低成本、結(jié)

構(gòu)簡單,利用 3 根減搖繩索對其進(jìn)行減搖控制的

海上平臺吊艙減搖裝置,以期提高海洋牧場環(huán)境

監(jiān)測平臺數(shù)據(jù)采集系統(tǒng)的可靠性與安全性。

1 傳統(tǒng)單纜布放與減搖裝置結(jié)構(gòu)

1. 1 單纜布放系統(tǒng)

目前的養(yǎng)殖環(huán)境監(jiān)測方式有實(shí)驗(yàn)室監(jiān)測、浮

標(biāo)監(jiān)測、海上平臺監(jiān)測及無人船監(jiān)測等[19]

。 其

中,基于海上平臺的數(shù)據(jù)采集吊艙在線監(jiān)測技術(shù)

因易建設(shè)、易維護(hù)、低成本等優(yōu)點(diǎn)已成為一項(xiàng)重要

的監(jiān)測手段,監(jiān)測設(shè)備一般以傳統(tǒng)的單纜布放回

收方式為主,如圖 1 所示。 海上平臺與數(shù)據(jù)采集

吊艙 6 自由度方向定義是一致的,x 軸方向?yàn)榭v

蕩,y 軸方向?yàn)闄M蕩,繞 x 軸旋轉(zhuǎn)為橫搖,繞 y 軸

旋轉(zhuǎn)為縱搖[20]

。

z

y

x









圖 1 單纜布放回收裝置

Fig. 1 Single cable deployment and recovery device

假設(shè)環(huán)境監(jiān)測平臺所處流域內(nèi)的流體為理想

流體,即無黏性、分布均勻、不可壓縮、無旋的流

體。 流場由速度勢 Φ(x,y,z,t)= Re {φ(x,y,z)·

e

-iwt

}描述,速度勢函數(shù)可以使用拉普拉斯方程求

出,用線性的邊界條件代替非線性的自由表面條

件,可以求得速度勢[21]

:

拉普拉斯方程:

2Φ(x,y,z,t) = 0 (1)

海水自由面條件:

?

2Φ

?t

2

+ g

?Φ

?z

= 0(z = 0) (2)

自由面物體表面條件:

?Φ

?n s

= Un (3)

50

第 6 期 李文松等: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(yàn)

海底不可穿透條件:

?Φ

?n z = -H

= 0 (4)

初始條件:

Φ = 0,

?Φ

?n

= 0(t = 0) (5)

式中:Φ(x,y,z,t)為速度勢;t 為時間,s;n 為濕表

面上指向內(nèi)部的單位法向量;g 為重力加速度,m /

s

2

;Un 為法向速度;

2 為拉普拉斯算子;s 為浮體

濕表面,m

2

;H 為水的深度,m。

通過線性疊加原理速度勢分解為輻射勢Φ

R

、

入射勢Φ

I 和繞射勢Φ

D [22]

。

Φ(x,y,z,t) = Φ

I

(x,y,z,t) + Φ

D

(x,y,z,t) +

Φ

R

(x,y,z,t) (6)

其中入射勢是入射波對流場的作用,入射勢

表達(dá)式為:

Φ

I = -

Ag

w

cosh[k(z + h)]

cosh(kh)

exp[ik(xcosβ +

ysinβ)] (7)

式中:A 表示波浪幅度,m;g 表示重力加速度,m /

s

2

;w 表示入射波圓頻率,rad / s ;h 表示水深,m;k

表示波數(shù);β 表示波浪方向和坐標(biāo)系 x 軸之間的

夾角,(°)。

海上平臺與數(shù)據(jù)采集吊艙是由纜繩連接的,

在時間域內(nèi),對由這些作用力產(chǎn)生的加速度進(jìn)行

積分,由此可以得到結(jié)構(gòu)的位置與速度。 時域整

體運(yùn)動方程為:

MzA = Ft (8)

Ft

=F(t)-c

?x(t)-Kx(t)- ∫

t

0

h(t-τ)

¨x(τ)dτ (9)

式中:Mz 為質(zhì)量矩陣;A 為加速度,m / s

2

;Ft 表示

總作用力,N;t 為時間,s;K 為恢復(fù)力系數(shù)矩陣;c

為阻尼矩陣;h(t-τ)為時延函數(shù)矩陣。

通過 Solidworks 三維建模軟件建立監(jiān)測平臺

模型后,導(dǎo)入到 Workbench-AQWA 軟件生成平臺

的水動力模型,如圖 2 所示。

B



 C



圖 2 水動力模型

Fig. 2 Hydrodynamic model

考慮到真實(shí)環(huán)境條件下當(dāng)風(fēng)、浪、流相同方向

時,海上平臺的運(yùn)動幅值最大[23]

,浪向角為 0°,

風(fēng)、浪、流同向,選取山東威海實(shí)際 3 級海況進(jìn)行

布放作業(yè),具體平臺海區(qū)布放情況如圖 3 所示,風(fēng)

速 5 m / s、波浪高度 0. 8 m、水深為 20 m,風(fēng)譜與波

浪譜分別采用 API 譜與 JONSWAP 譜。 數(shù)據(jù)采集

吊 艙 通 過 Hydrodynamic Response 中 的 Cable

Winch 模塊實(shí)現(xiàn)布放;Workbench-AQWA 基于三

維勢流理論模擬海上平臺在風(fēng)、浪、流聯(lián)合作用

下,絞車以指定的速度布放數(shù)據(jù)采集吊艙過程運(yùn)

動時間歷程,得出 3 級海況下,數(shù)據(jù)采集吊艙、海

上平臺的縱蕩、橫搖、縱搖 3 個自由度下的運(yùn)動響

應(yīng)數(shù)據(jù),如圖 4 所示。

B

 C



圖 3 平臺海區(qū)布放情況圖

Fig. 3 Chart of platform deployment in sea area

51

漁 業(yè) 現(xiàn) 代 化 2024 年

0 10 20 30 40 50 60 70 80 90 ?1

0

1

2

3

4

9P

ffiLV

#

8

0 10 20 30 40 50 60 70 80 90 ?0.08

?0.04

0.00

0.04

0.08

e

ffiLV

#

8

0 10 20 30 40 50 60 70 80 90 ?30

?20

?10

0

10

20

30

4

e

ffiLV

#

8

(a)  (b)  (c) 

圖 4 3 個自由度下的運(yùn)動響應(yīng)

Fig. 4 Motion response under three degrees of freedom

由圖 4 可知,布放數(shù)據(jù)采集吊艙過程中,當(dāng)絞

車?yán)|繩上端連接的海上平臺受到來自風(fēng)、浪、流的

環(huán)境載荷及系泊力作用下 6 自由度產(chǎn)生運(yùn)動時,

下端連接的數(shù)據(jù)采集吊艙 6 自由度也在產(chǎn)生相應(yīng)

運(yùn)動,且二者運(yùn)動響應(yīng)趨勢大致是一致的。 由于

海上平臺受系泊力作用,其 6 自由度運(yùn)動響應(yīng)與

數(shù)據(jù)采集吊艙相比較小。 浪向角為 0°時,縱蕩、

縱搖為主要的運(yùn)動響應(yīng),數(shù)據(jù)采集吊艙縱蕩響應(yīng)

最大 2. 29 m,縱搖的運(yùn)動響應(yīng)最大可達(dá) 18. 575°。

數(shù)據(jù)采集吊艙產(chǎn)生大幅擺動,對其安全危害性巨

大。 海洋牧場環(huán)境監(jiān)測平臺數(shù)據(jù)采集吊艙在一次

現(xiàn)場布放過程中,如圖 3 所示,由于海上風(fēng)浪較大

加上人為操作失誤等問題,數(shù)據(jù)采集吊艙晃動幅

度過大導(dǎo)致纜繩斷裂,對數(shù)據(jù)采集吊艙上安裝的

環(huán)境監(jiān)測傳感器造成巨大的損害,如圖 5 所示。

圖 5 數(shù)據(jù)采集吊艙損壞圖

Fig. 5 Damaged data acquisition pod

1. 2 減搖裝置設(shè)計(jì)

為了進(jìn)一步提高數(shù)據(jù)采集吊艙在不同海況下

布放回收過程中的安全性,對傳統(tǒng)單纜布放回收

方式進(jìn)行改進(jìn),設(shè)計(jì)了一種海上平臺吊艙減搖裝

置,利用減搖裝置將吊繩的擺幅減小,從而減小吊

艙的搖擺。 通過 Solidworks 三維建模軟件對布放

回收裝置進(jìn)行三維建模,布放回收裝置的結(jié)構(gòu)如

圖 6 所示,數(shù)據(jù)采集吊艙減搖裝置主要由滑輪、減

搖臂、拉力傳感器、角度傳感器、3 根減搖索以及

對應(yīng)的減搖絞車組成。 當(dāng)?shù)跖撨M(jìn)行布放回收,海

52

第 6 期 李文松等: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(yàn)

上平臺受到來自風(fēng)、浪、流的聯(lián)合激勵時角度傳感

器會測出吊艙擺動角度的變化,拉力傳感器會感

受到繩索拉力的變化。 3 根減搖索的末端通過 3

個減搖臂與吊艙上方的三輪吊鉤鏈接,以主吊索

為中心呈倒傘形布置,這種倒傘型結(jié)構(gòu)可以實(shí)現(xiàn)

吊重在空間中任意方向擺動的抑制。 系統(tǒng)的總體

工作流程如圖 7 所示。 該裝置優(yōu)點(diǎn)是:結(jié)構(gòu)簡單,

回收過程始終保持近似垂直的狀態(tài),更加穩(wěn)定,提

高布放回收過程的安全性。 數(shù)據(jù)采集吊艙作為海

洋牧場環(huán)境監(jiān)測系統(tǒng)的核心部分,主要由主體支

架、四根鋼絲繩、十字卡扣和吊環(huán)等組成,分上中

下 3 層,中層可以根據(jù)實(shí)際監(jiān)測需求安裝不同類

型的環(huán)境監(jiān)測傳感器,具有良好的擴(kuò)展性,總體呈

四邊三角錐狀,底盤相對較大,質(zhì)心和浮心配置合

理,使其在姿態(tài)傾斜時能獲得較大的恢復(fù)力矩并

保持穩(wěn)定,具有良好的抗傾覆能力。



 







 



圖 6 減搖裝置三維結(jié)構(gòu)圖

Fig. 6 Three-dimensional diagram of the anti-rolling device

注:θ1x 為海上平臺的橫搖角度;θ1y 為縱搖角度

圖 7 系統(tǒng)的工作流程

Fig. 7 System workflow

2 計(jì)算原理與方法

2. 1 海上平臺-吊點(diǎn)-吊重運(yùn)動學(xué)模型

海上平臺的運(yùn)動包括橫蕩、縱蕩、垂蕩、橫

搖、縱搖和艏搖 6 個自由度運(yùn)動,其中橫搖和縱

搖對海上平臺的影響最為顯著[24]

。 數(shù)據(jù)采集吊

艙減搖裝置主要是通過 3 根減搖繩索抑制吊艙

因海上平臺在海洋中受到來自風(fēng)、波浪、海流聯(lián)

合作用的影響下發(fā)生橫搖和縱搖激勵作用下引

起的擺動。

數(shù)據(jù)采集吊艙減搖裝置結(jié)構(gòu)如圖 8 所示,Q、

K、N 為減搖裝置出繩點(diǎn),PQ、PK 和 PN 分別代表

減搖索l

1 、l

2 和l

3 。 其中定義 x0

y0

z0 為慣性坐標(biāo)

系,x1

y1

z1 為海上平臺坐標(biāo)系,x2

y2

z2 為以主絞車

53

漁 業(yè) 現(xiàn) 代 化 2024 年

為中點(diǎn)的吊點(diǎn)坐標(biāo)系。 吊艙的面內(nèi)角和面外角分

別記為 θ 和 φ,θ 表示吊繩 L 在面 y2

o2

z2 的投影與

z2 軸的夾角,φ 表示吊繩 L 與面 y2

o2

z2 的夾角。

θ1x 和 θ1y 分別表示海上平臺運(yùn)動的橫搖激勵和縱

搖激勵。 定義數(shù)據(jù)采集吊艙為吊重 P,其在坐標(biāo)

系 xn

yn

zn 為nPP 。

z2

z1

z0

y0 x0

x1

O0

y1

θ1y θ1x

O2

l2

N

θ φ

L

Q

l3 l1

x2

P

y2

K

圖 8 減搖系統(tǒng)簡圖

Fig. 8 Two-dimensional diagram of system

吊重 P 在吊點(diǎn)坐標(biāo)系中{2}的坐標(biāo)為:

Px

= x2

+ Lsinφ

Py

= y2

+ Lsinθcosφ

Pz

= z2

- Lcosθcosφ

ì

?

í

?

?

??

(10)

x2 、y2 和 z2 為 0 時,即:

2PP

= (Lsinφ,Lsinθcosφ, - Lcosθcosφ)

T

(11)

在海上平臺坐標(biāo)系 x1

y1

z1 中的位置為:

1P2

= Lx,Ly,Lz

[ ]

T

(12)

定義m

n R 是 從 xn

yn

zn 到 xm

ym

zm 的 旋 轉(zhuǎn) 矩

陣[25]

,x0

y0

z0 到 x1

y1

z1 的旋轉(zhuǎn)矩陣1

0R 為:

0

1R =

cosθ1x 0 sinθ1y

sinθ1x

sinθ1y

cosθ1x

sinθ1x

cosθ1y

sinθ1y

cosθ1x

sinθ1x

cosθ1x

cosθ1y

é

?

ê

ê

ê

ê

ù

?

ú

ú

ú

ú

(13)

吊重相對慣性坐標(biāo)系 x0

y0

z0 的變換矩陣為:

0PP

=

0

1R

1P2

+

1

2R

2PP (14)

式中:

1P2 表示吊點(diǎn) O2 在海上平臺坐標(biāo)系 x1

y1

z1

中的坐標(biāo);

2PP 表示吊重 P 在 x2

y2

z2 中的坐標(biāo);

1

0R

為 x0

y0

z0 到 x1

y1

z1 的旋轉(zhuǎn)矩陣;

2

1R 為 x1

y1

z1 到 x2

y2

z2 的旋轉(zhuǎn)矩陣;將公式(11) (12) 及(13) 代入

(14) 中可求慣性坐標(biāo)系 x0

y0

z0 中吊重 P 的表

達(dá)式:

xp

= Lx

cosθ1x

+ Lz

sinθ1y

+ Lsinφ + Lx

yp

= Lx

sinθ1x

sinθ1y

+ Ly

cosθ1x

+ Lz

sinθ1x

cosθ1y

+ Lsinθcosφ + Ly

zp

= Lx

sinθ1y

cosθ1x

+ Ly

sinθ1x

+ Lz

cosθ1x

cosθ1y

- Lcosθcosφ + Lz

ì

?

í

?

?

??

(15)

式中:xp、yp 和 zp 為吊重 P 在慣性坐標(biāo)系中的坐

標(biāo);θ 為面內(nèi)角;φ 為面外角;L 為吊繩長度,m;Lx、

Ly 和 Lz 為吊點(diǎn) O2 在海上平臺坐標(biāo)系中的坐標(biāo);

θ1x 和 θ1y 分別表示海上平臺運(yùn)動的橫搖激勵和縱

搖激勵。

2. 2 動力學(xué)模型

數(shù)據(jù)采集吊艙減搖系統(tǒng)的動力分析圖如圖 9

所示,Q、K、N 為減搖裝置出繩點(diǎn),F1 、F2 和 F3 為

減搖索 l

1 、l

2 和 l

3 的張力,FR 為主吊索張力,GP

為吊重 P 的重力。

定義3 根減搖索張力在 x,y,z 軸方向的分量為:

Fix

= Fi

i

ix

Fiy

= Fi

i

iy

Fiz

= Fi

i

iz

ì

?

í

?

?

??

(16)

式中:Fix、Fiy 和 Fiz(i = 1、2、3)為 3 根減搖索在坐標(biāo)

系下三軸上的分量,N;i

ix、i

iy 和 i

iz 為減搖索張力 F

在坐標(biāo)軸上的方向向量;Fi 為減搖索張力,N。

z

N

θ φ

FR

GP

Q

F1

F2

F3

y x

P

K

圖 9 減搖裝置受力分析圖

Fig. 9 Force analysis diagram of the anti-rolling device

54

第 6 期 李文松等: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(yàn)

主吊索張力 FR 在 x、 y 和 z 方向的分量分

別為:

FRx

= FR

sinφ

FRy

= FR

sinθcosφ

FRz

= FR

cosθcosφ

ì

?

í

?

?

??

(17)

根據(jù)牛頓第二定律 F = ma ,可得吊重在坐標(biāo)

軸 x、y、z 方向上的運(yùn)動方程:

mx

··

p

= F1x

- F2x

- F3x

- FRx

my

··

p

= - F1y

- F2y

- F3y

- FRx

mz

··

p

= F1z

+ F2z

+ F3z

+ FRx

- mg

ì

?

í

?

?

?

?

(18)

設(shè)三根減搖索在 x 軸方向合力為:f

x

= F1x

-

F2x

-F3x;在 y 軸方向合力為:f

y

= -F1y

-F2y

-F3y;在

z 軸方向合力為:f

z

=F1z

+F2z

+F3z。

將 f

x、f

y、f

z 和式(17)代入式(18)可得:

mx

··

p

= f

x

- FR

sinφ

my

··

p

= f

y

- FR

sinθcosφ

mz

··

p

= f

z

+ FR

cosθcosφ - mg

ì

?

í

?

?

?

?

(19)

消去式(19)中 FR 簡化可得:

(f

x

- mx

··

p)sinθcosφ = (f

y

- my

··

p)sinφ

(mz

··

p

- f

z

+ mg)sinφ = (f

x

- mx

··

p)cosθcosφ { (20)

對式( 10) 求 二 階 導(dǎo) 數(shù), 得 到 吊 重 P 的 加

速度:

x

··

p

= x

··

2

+ Lφ

··

cosφ - Lθ

·2

sinφ

y

··

p

= y

··

2

+ Lθ

··

cosθcosφ - Lφ

··

sinθsinφ - L(θ

·2 + φ

·2

)sinθcosφ - 2Lθ

·

φ

·

sinφcosθ

z

··

p

= z

··

2

+ Lθ

··

sinθcosφ + Lφ

··

cosθsinφ + L(θ

·2 + φ

·2

)cosθcosφ - 2Lθ

·

φ

·

sinθsinφ

ì

?

í

?

?

?

?

(21)

將式(21)代入式(20)并簡化,可得動力學(xué)模

型的數(shù)學(xué)微分方程 θ

··

、φ

··

:

θ

··

= secφ[(f

y

- my

··

2 )cosθ - mz

··

2

sinθ +

4mLθ

·

φ

·

sinφcosθ

2 + (f

z

- mg)sinθ] / mL (22)

φ

··

= [(f

x

- mx

··

2)cosφ + (my

··

2

- f

y)sinθsinφ +

(f

z

-mz

··

2

- mg)sinφcosθ - mLθ

·2

sinφcosφ] / mL (23)

式中: θ

·· 為吊重面內(nèi)角加速度;φ

·· 為吊重面外角加

速度;θ

·

為吊重面內(nèi)角速度;φ

·

為吊重面外角速度;

θ

·

為面內(nèi)角; φ 為面外角;m 為吊重質(zhì)量,kg;L 為

吊繩長度,m; x

··

2 、 y

··

2 、 z

··

2 為吊點(diǎn)O2 在坐標(biāo)系下三

軸方向的加速度;g 為重力加速度,m / s

2

;f

x、f

y 和

f

z 為三根減搖索在坐標(biāo)系下三軸的合力,N。

2. 3 減搖索控制邏輯

若想讓 3 根減搖索起到防搖效果,吊艙在擺

動過程中合力的方向需始終與運(yùn)動方向相反。 在

布放回收過程中需確保每根減搖索工作時都能夠

起到阻礙吊艙擺動的作用。 根據(jù)吊艙擺動的方

向,減小收繩一側(cè)的牽引索張力,保持放繩一側(cè)的

牽引索張力,從而使得總的合力起到阻礙吊艙擺

動的目的。

以吊重面內(nèi)角的擺動抑制為例,面內(nèi)方向的

張力設(shè)定為:

F3

= F3 , F2

= kGm

θ

·

(θ

·

≥ 0)

F2

= F2 , F3

= kGm

θ

·

(θ

·

< 0) { (24)

式中:k 為張緊系數(shù);θ

˙

為面內(nèi)角速度;Gm 為重力,

N;F2 、F3 為減搖索 l

2 和 l

3 的張力,N。

三根減搖索的張力設(shè)置如下:

F1s

- δ1 ≤ F1 ≤ F1s

+ δ1

F2s

- δ2 ≤ F2 ≤ F2s

+ δ2

F3s

- δ3 ≤ F3 ≤ F3s

+ δ3

ì

?

í

?

?

??

(25)

式中:Fis 為滿足靜態(tài)平衡條件預(yù)定張力,N;δi(i =

1、2、3) 為控制索張力閾值,N;F1 ,F2 和 F3 為減

搖索 l

1 、l

2 和 l

3 的張力,N。

3 系統(tǒng)仿真分析

當(dāng)?shù)跖撛谒欣鹬梁Ｉ掀脚_這個過程中由

于受到海浪的作用與海上平臺發(fā)生碰撞,可能對

數(shù)據(jù)采集吊艙造成危害。 為了驗(yàn)證海上平臺存在

激勵時數(shù)據(jù)采集吊艙布放回收裝置的減搖效果,

設(shè)置系統(tǒng)參數(shù):吊艙總質(zhì)量 m = 50 kg,減搖臂長度

LO2K

= LO2N

= LO2Q

= 1 m,主吊索長度為 1 m。 工況 1

為海上平臺的激勵為 3 級海況,橫搖周期 7. 1 s、

幅值 3°,縱搖周期 6 s、幅值 1°。 工況 2 為海上平

臺的激勵為 4 級海況,橫搖周期 7. 1 s、幅值 7°,縱

搖周期 6 s、幅值 2°。 在給定的海上平臺激勵下,

利用 Matlab / simulink 軟件對數(shù)據(jù)采集吊艙在布放

回收過程減搖的仿真,得出面內(nèi)角和面外角的擺動

幅度,比較數(shù)據(jù)采集吊艙在有無防擺裝置下的面內(nèi)

角、面外角擺動幅度,其結(jié)果如圖 10、圖 11 所示。

55

漁 業(yè) 現(xiàn) 代 化 2024 年

0 10 20 30 40 50 60 ?8

?4

0

4

8

θ/(°)

ffiLV

ffl

ffi

0 10 20 30 40 50 60 ?3

?2

?1

0

1

2

3

φ/(°)

ffiLV

ffl

ffi

B



C



圖 10 3 級海況仿真

Fig. 10 Simulation of sea state 3

B



C



0 10 20 30 40 50 60 ?15

?10

?5

0

5

10

15

θ/(°)

ffiLV

ffl

ffi

0 10 20 30 40 50 60 ?6

?4

?2

0

2

4

6

φ/(°)

ffiLV

ffl

ffi

圖 11 4 級海況仿真

Fig. 11 Simulation of sea state 4

圖 10 可以看出,3 級海況,主吊索為 1 m,橫

搖幅值 3°、縱搖幅值 1°時。 有無減搖裝置吊重的

面內(nèi)角與面外角擺動幅度趨勢基本一致。 在不加

防搖裝置的情況下,數(shù)據(jù)采集吊艙的面內(nèi)角最大

擺幅和面外角最大擺幅分別為 4. 3°和 1. 48°。 由

于加裝了數(shù)據(jù)采集吊艙減搖裝置,在數(shù)據(jù)采集吊

艙減搖裝置的作用下,使吊艙的面內(nèi)角最大擺幅

減少至 1. 36°,減搖幅度達(dá)到 68%。 面外角最大

擺幅減少至 0. 44°,減搖幅度為達(dá) 70%。 數(shù)據(jù)采

集吊艙減搖系統(tǒng)對吊重面外角的減搖效果要優(yōu)于

面內(nèi)角。

圖 11 可以看出,4 級海況,主吊索為 1 m,橫

搖幅值 7°、縱搖幅值 2°時,在不加防搖裝置的情

況下,數(shù)據(jù)采集吊艙的面內(nèi)角最大擺幅和面外角

最大擺幅分別為 9. 36°和 2. 96°。 由于加裝了數(shù)

據(jù)采集艙減搖裝置,在數(shù)據(jù)采集吊艙減搖裝置的

作用下,使吊艙的面內(nèi)角最大擺幅減少至 3. 2°,

減搖幅度達(dá)到 65. 8%。 面外角最大擺幅減少至

0. 95°,減搖幅度為達(dá) 68%。 與工況 1 相同,數(shù)據(jù)

采集吊艙減搖系統(tǒng)對吊重面外角的減搖效果要優(yōu)

于面內(nèi)角。

根據(jù)圖 10、圖 11 中的數(shù)據(jù)采集吊艙有無減

搖裝置下面內(nèi)角和面外角的最大擺動幅度,可得

表 1。 結(jié)果表明,隨著海況等級的增加,海上平臺

運(yùn)動激勵的增大,數(shù)據(jù)采集吊艙減搖裝置的減搖

效果明顯減弱。 在不同海況下,吊艙的面內(nèi)角擺

幅可減小 66. 9%左右,面外角擺幅可減小 69%左

右,數(shù)據(jù)采集吊艙減搖系統(tǒng)在海上平臺運(yùn)動激勵

下的平均減搖比為 67. 95%,有效減少了吊艙的

擺動幅度,驗(yàn)證了該減搖裝置的有效性。

表 1 仿真對比結(jié)果

Tab. 1 Results of contrast simulation

海況

擺角

類型

有減搖/

(°)

無減搖/

(°)

減搖比/

%

平均減

搖比/ %

3 級

θ 1. 36 4. 30 68. 0

φ 0. 44 1. 48 70. 0

4 級

θ 3. 20 9. 36 65. 8

φ 0. 95 2. 96 68. 0

67. 95

4 試驗(yàn)驗(yàn)證

為了驗(yàn)證 3 根減搖繩索數(shù)據(jù)采集吊艙減搖裝

56

第 6 期 李文松等: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(yàn)

置在海上平臺運(yùn)動激勵下的有效性,利用實(shí)驗(yàn)室

已有的安裝有海上平臺運(yùn)動模擬裝置防擺試驗(yàn)平

臺對減搖系統(tǒng)的減搖效果進(jìn)行試驗(yàn)驗(yàn)證,試驗(yàn)平

臺如圖 12 所示。 由于海上平臺受到橫搖激勵時,

面內(nèi)角擺動幅度影響最為顯著,設(shè)置主吊索長度

為 1 m。 搖擺臺模擬 3、4 級海況,橫搖幅值分別

為 3°和 7°時,有減搖措施和無減搖措施下吊艙面

內(nèi)角的擺動幅度。 試驗(yàn)結(jié)果與仿真結(jié)果對比如圖

13 所示。

圖 12 減搖系統(tǒng)試驗(yàn)平臺

Fig. 12 The physical experiment platform

圖 13 可以看出, 試驗(yàn)結(jié)果與仿真結(jié)果趨勢

基本相同,均呈周期和幅值確定的正弦運(yùn)動,仿真

結(jié)果略大于試驗(yàn)結(jié)果,證明了仿真模型的準(zhǔn)確性。

3 級海況橫搖激勵下的吊艙面內(nèi)角擺動幅度,無

減搖裝置時,在-3. 7° ~ 3. 7°左右趨同,最大面內(nèi)

擺幅為 3. 75°。 在減搖裝置的作用下,吊艙面內(nèi)

角擺動幅度在-0. 9° ~ 0. 9°左右趨同,最大擺幅為

0. 94°,減搖幅度為 75%,略大于仿真結(jié)果 68%。

4 級海況激勵下,無減搖裝置時,吊艙面內(nèi)角擺動

幅度在-7. 5° ~ 7. 5°左右趨同,最大面內(nèi)擺幅為

7. 5°。 在減搖裝置的作用下,吊艙面內(nèi)角擺動幅

度在-2° ~2°左右趨同,最大擺幅為 2. 1°,減搖幅

度為 72%,略大于仿真結(jié)果 65. 8%。 減搖系統(tǒng)在

平臺運(yùn)動激勵下的有減搖措施和無減搖措施下吊

艙擺動幅度減搖比為 73. 5%,驗(yàn)證了該減搖系統(tǒng)

的減搖效果。

0 10 20 30 40 50 60 ?8

?4

0

4

8

θ/(°)

ffiL/s

BP

ffl BP

ffi

-ffl -ffi

(a) 3°

0 10 20 30 40 50 60 ?15

?10

?5

0

5

10

15

θ/(°)

ffiL /s

BP

ffl BP

ffi

-ffl -ffi

(b) 7°

圖 13 試驗(yàn)驗(yàn)證

Fig. 13 Experimental verification

57

漁 業(yè) 現(xiàn) 代 化 2024 年

5 討論

5. 1 布放回收裝置

Wu 等[26]研究表明采用導(dǎo)向罩結(jié)構(gòu)的喇叭口

式布放回收操作簡單,在完成 AUV 回收時進(jìn)行保

護(hù),但要求 AUV 具有很高的操縱性,且容易受海

洋環(huán)境影響。 本研究表明,在安裝減搖裝置提高

吊艙操縱性同時,吊艙在水中拉起至海上平臺處

安裝導(dǎo)向罩,可進(jìn)一步提高布放回收的穩(wěn)定性。

王虎[27] 研究表明,以無人船為載體通過絞車、伸

縮結(jié)構(gòu)、水下夾具實(shí)現(xiàn) AUV 的布放回收系統(tǒng),對

AUV 的姿態(tài)要求低。 高東勇等[28] 研究表明,托

盤滑道式布放回收裝置,可減小回收過程中因

USV 晃動對 AUV 內(nèi)部精密零部件產(chǎn)生影響。

Stevens 等[29]研究表明,基站配備了纜繩絞車的

籠式深海常駐機(jī)器人系統(tǒng) Liberty E-ROV,適用于

帶纜的方形機(jī)器人。 本研究表明,對比喇叭口式、

水下夾式、托盤滑道式、籠式布放回收方式,利用

3 根減搖繩索在吊艙布放回收過程對其進(jìn)行減搖

控制的多柔索布放回收方式更適合海上平臺與水

下結(jié)構(gòu)物重心豎直方向在同一直線上的垂直布放

回收,且對水下結(jié)構(gòu)物外形要求低,適用性高、結(jié)

構(gòu)簡單,布放回收過程保持近似垂直的狀態(tài)。 由

此說明,利用 3 根減搖索的數(shù)據(jù)采集吊艙布放回

收減搖裝置具有高效、穩(wěn)定的布放回收功能,使海

洋牧場監(jiān)測平臺數(shù)據(jù)采集系統(tǒng)高效、穩(wěn)定運(yùn)行。

5. 2 減搖效果

韓廣冬等[30]研究表明,在起重機(jī)系統(tǒng)的動力

學(xué)研究中,利用恒張力吊盤可將吊繩的擺幅減小,

從而減 小 吊 重 的 搖 擺, 吊 重 的 面 內(nèi) 角 可 減 少

54%,面外角可減少 59%。 Wang 等[31] 研究表明,

采用恒張力控制方法的船用牽引索式減搖裝置,

可將吊重?fù)u擺幅值減小 70%以上。 本研究表明,

海上平臺數(shù)據(jù)采集吊艙減搖裝置具有明顯的減搖

效果,與上述研究結(jié)果一致。 鄧晨旭等[32]研究表

明,船用起重機(jī)阻尼連續(xù)可調(diào)且響應(yīng)速度快的機(jī)

械防擺裝置對吊重的擺動有良好的抑制效果,在

設(shè)定海況下,吊重在面內(nèi)擺動幅度與面外擺動幅

度可大幅度減小。 孫海龍等[33] 研究表明,AUV

水面布放回收裝置以船舶起重機(jī)為基礎(chǔ)利用繩索

減搖使回收過程更加穩(wěn)定,在定繩長的情況下面

內(nèi)角的減搖效果在 62%,面外角的減搖效果在

60%。 本研究表明,針對生產(chǎn)使用的海洋環(huán)境監(jiān)

測平臺數(shù)據(jù)采集吊艙布放回收過程中因外部激勵

作用下吊艙會產(chǎn)生大幅度擺動,出現(xiàn)的電纜斷裂

及傳感器損壞問題,利用三根減搖索的海洋環(huán)境

監(jiān)測平臺數(shù)據(jù)采集吊艙減搖裝置,吊艙的面內(nèi)角

可減小 66. 9%左右,面外角可減小 69%左右,平

均減搖比為 67. 95%,與上述研究結(jié)果一致,可有

效減少數(shù)據(jù)采集吊艙與海上平臺的碰撞概率,從

而達(dá)到保護(hù)數(shù)據(jù)采集吊艙及其上搭載的各類環(huán)境

監(jiān)測傳感器的目的。 由此說明,海洋環(huán)境監(jiān)測平

臺數(shù)據(jù)采集吊艙減搖裝置結(jié)構(gòu)簡單,具有穩(wěn)定的

減搖效果。

6 結(jié)論

設(shè)計(jì)了一種利用 3 根減搖索進(jìn)行減搖控制的

海洋環(huán)境監(jiān)測平臺數(shù)據(jù)采集吊艙減搖裝置,通過

對減搖裝置仿真分析,得出減搖裝置可減小吊艙

的面 內(nèi) 擺 幅 大 約 為 66. 9%, 面 外 擺 幅 大 約 為

69%,平均減搖比為 67. 95%。 試驗(yàn)結(jié)果顯示,不

同海況下擺動幅度可減小約 73. 5%。 研究表明,

海上平臺數(shù)據(jù)采集吊艙減搖裝置對吊艙的擺幅具

有明顯的抑制作用,且結(jié)構(gòu)簡單、設(shè)計(jì)合理、布放

回收過程更加穩(wěn)定,解決了傳統(tǒng)單纜布放回收數(shù)

據(jù)采集吊艙擺動幅度過大造成的設(shè)備損壞和纜繩

斷裂問題。 本研究對提高海洋牧場環(huán)境監(jiān)測平臺

數(shù)據(jù)采集系統(tǒng)的可靠性與安全性有一定的實(shí)踐指

導(dǎo)意義。

□

參考文獻(xiàn)

[1] 李俊,李懷進(jìn),汪振華,等. 海洋牧場組合式無人監(jiān)測船設(shè)計(jì)

與試驗(yàn)[J]. 上海海洋大學(xué)學(xué)報,2023,32(5):1048-1058.

[2] 張正陽,李密生,宋勇建,等. LoRa 無線傳感技術(shù)在扇貝養(yǎng)

殖區(qū)環(huán)境檢測中的應(yīng)用分析[ J]. 現(xiàn)代化農(nóng)業(yè),2019 ( 2):

70-72.

[3] 孟祥濤. 近海養(yǎng)殖區(qū)域水文氣象數(shù)據(jù)采集系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

[D]. 大連:大連海洋大學(xué),2019.

[4] 翟方國,李培良,顧艷鎮(zhèn),等. 海底有纜在線觀測系統(tǒng)研究與

應(yīng)用綜述[J]. 海洋科學(xué),2020,44(8):14-28.

[5] 朱仁傳,繆國平. 船舶在波浪上的運(yùn)動理論[M]. 上海:上海

交通大學(xué)出版社, 2019:13-15.

[6] 王建立,劉可心,王生海,等. 船用起重機(jī)雙擺吊重減擺動力

學(xué)分析與實(shí)驗(yàn) [ J]. 華中科技大學(xué)學(xué)報 ( 自然科學(xué)版),

58

第 6 期 李文松等: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(yàn)

2024, 52(1): 72-77.

[7] 倪正峰,湯佳豫,冀大雄,等. 帶纜水下常駐機(jī)器人水動力特

性分析[J]. 自動化應(yīng)用, 2021(11):154-158,163.

[8] 宋濤,鄭榮,梁洪光,等. 水下拖曳體自主布放回收裝置設(shè)計(jì)

與研究[J]. 艦船科學(xué)技術(shù),2020,42(4):96-101.

[9] ZHENG R, XIN C L, TANG Z, et al. Review on the platform

technology of autonomous deployment of AUV by USV[ J]. Acta

Armamentarii,2020,13:175-180.

[10]LING S, MENG Y, LIN H T, et al. Study on the mechanics

characteristics of an underwater towing system for recycling an

autonomous underwater vehicle ( AUV) [ J ]. Applied Ocean

Research, 2018, 79(18): 88-96.

[11 ] SARDA E I, DHANAK M R. Launch and recovery of an

autonomous underwater vehicle from a station-keeping unmanned

surface vehicle [ J ]. IEEE Journal of Oceanic Engineering,

2019, 44(2): 66-75.

[12] 張洋,朱克強(qiáng),秦道武,等. 海洋潛標(biāo)系統(tǒng)布放動力學(xué)分析

[J]. 船舶工程,2014,36(2):111-114.

[13]楊祥云,呂海寧,楊建民,等. 深海采礦車布放回收中臍帶纜

軸向張 力 響 應(yīng) 特 性 研 究 [ J ]. 海 洋 工 程, 2023, 41 ( 5 ):

128-138.

[14] MARTIN I A, IRANI R A. Self-tuning anti-sway control for

shipboard cranes providing combined world and deck-frame

compensation[J]. Ocean Engineering,2022,251:110957.

[15]REN Z R, VERMA A S, ATAEI B, et al. Model free antiswing control of complex-shaped payload with offshore floating

cranes and a large number of lift wires [J]. Ocean Engineering,

2021, 228(9): 228-236.

[16]王生海,吳俊杰,陳海泉,等. 船用起重機(jī)機(jī)械防擺裝置動力

學(xué)分析與實(shí)驗(yàn)[ J]. 哈爾濱工程大學(xué)學(xué)報, 2019,40( 11):

1858-1864.

[17]孫茂凱,王生海,韓廣冬,等. 船用起重機(jī)多柔索減搖系統(tǒng)動

力學(xué)分析與工程應(yīng)用[ J]. 中國機(jī)械工程. 2024, 35 ( 7):

1308-1317.

[18]陳海泉,靳國良,吉陽,等. 船用起重機(jī)牽引索式減搖裝置恒

張力控制仿真和試驗(yàn)研究[ J]. 中國造船, 2021, 62 ( 2):

211-223.

[19]劉彥偉. 分層泵抽式海洋養(yǎng)殖環(huán)境智能監(jiān)測系統(tǒng)研發(fā)[D].

舟山:浙江海洋大學(xué),2022.

[20]滕媛媛,蘇煥婷,朱勤健. 基于 Workbench-AQWA 的鋪管船

托管架結(jié)構(gòu)時程分析[ J]. 船舶工程, 2023,45 ( 增刊 1):

445-450.

[21]紀(jì)仁瑋,張亮,王樹齊,等. 振蕩浮子式雙浮體波浪能裝置的

頻域和時域分析[J]. 上海船舶運(yùn)輸科學(xué)研究所學(xué)報,2019,

42(3): 19-27.

[22]范可. 中淺水漂浮式海上風(fēng)電機(jī)組平臺的運(yùn)動性能[ J]. 船

舶工程,2021,43(增刊 1):71-76.

[23]陳羿宗,孫茂凱,王生海,等.一種水下機(jī)器人自主布放回收

裝置水動力分析[J]. 艦船科學(xué)技術(shù),2022,44(16):83-88.

[24]FOSSEN. Guidance control of ocean vehicles[M]. New York:

John Wiley & Sons Inc, 2016.

[25]GINSBER G J. Engineering dynamic [ M ]. New York:

Cambridge Univ Press, 2008.

[26] WU L H, LI Y P, SU S J, et al. Hydrodynamic analysis of

AUV underwater docking with a cone-shaped dock under ocean

currents[J]. Ocean Engineering, 2014, 85:110-126.

[27]王虎. 基于無人船的 AUV 布放回收系統(tǒng)設(shè)計(jì)和試驗(yàn)研究

[D]. 大連:大連海事大學(xué),2021.

[28]高東勇,郭忠峰,谷海濤,等. USV 拖曳回收 AUV 動態(tài)過程仿

真研究[J]. 艦船科學(xué)技術(shù),2022,44(21):74-79.

[29]STEVENS M A. Resident vehicles: A new directive for subsea

operations[ J]. Marine Technology Society Journal, 2019, 53

(5): 54-58.

[30]韓廣冬,張桐,陳海泉,等. 船用起重機(jī)減搖裝置建模與試驗(yàn)

[J]. 科學(xué)技術(shù)與工程,2017,17(23):305-310.

[31]WANG S H, REN Z P, JIN G L, et al. Modeling and analysis

of offshore crane retrofitted with cable-driven inverted tetrahedron

mechanism[J]. IEEE Access,2021, 9: 86132-86143.

[32]鄧晨旭,孫海龍,趙明慧,等. 船用起重機(jī)磁流變防擺裝置動

力學(xué)分析和實(shí)驗(yàn)驗(yàn)證[ J]. 科學(xué)技術(shù)與工程,2024,24(17):

7395-7405.

[33]孫海龍,鄧晨旭,唐崢,等. 水下機(jī)器人回收裝置的動力學(xué)分

析與 實(shí) 驗(yàn) 驗(yàn) 證 [ J ]. 科 學(xué) 技 術(shù) 與 工 程, 2024, 24 ( 14 ):

6072-6081.

59

漁 業(yè) 現(xiàn) 代 化 2024 年

Dynamic analysis and experiment of anti-rolling device for data

acquisition pod of marine environment monitoring platform

LI Wensong

1

, LI Mingzhi

1,2

, WANG Shenghai

3

, WANG Gang

4

,WANG Xihua

1

,WAN Dianpeng

1

(1 College of Navigation and Shipbuilding Engineering, Dalian Ocean University,

Dalian 116023, Liaoning, China;

2 Key Laboratory of Facility Fisheries Ministry of Education(Dalian Ocean University),

Dalian 116023, Liaoning, China;

3 College of Marine Engineering, Dalian Maritime University, Dalian 116026, Liaoning, China;

4 Innovation and Entrepreneurship College, Dalian Ocean University, Dalian 116023, Liaoning, China)

Abstract:With the in-depth development of marine ranching construction, environmental monitoring platforms

have been widely used in the monitoring of mariculture environments in marine ranches. In view of the

problem of cable breakage and damage that occurs during the deployment and recovery process of the data

acquisition pod of the marine environmental monitoring platform used in production due to the influence of

wind, waves and currents. A pod anti-rolling device for offshore platforms is designed. Based on Newton's

second law, a dynamic model of the pod anti-rolling device under the excitation of rolling and pitching of the

offshore platform is established and numerical simulation analysis was carried out using Matlab / Simulink

software, and the changes in the swing amplitude of the pod with and without the anti-rolling device were

compared. The results show that in the case of having an anti-rolling device, the swing amplitude of the inplane angle of the pod can be reduced by about 66. 9%, and the swing amplitude of the out-of-plane angle can

be reduced by about 69%. The average anti-rolling ratio is 67. 95%. Based on the existing theory, an

experimental prototype was built and tested for verification. The test results show that the pod anti-rolling

device has an obvious restraining effect on the swing amplitude of the pod. The swing amplitude of the in-plane

angle can be reduced by about 73. 5%. The research shows that the pod anti-rolling device has important

practical guiding significance for improving the reliability and safety of the data acquisition system of the

marine ranch monitoring platform.

Key words:marine platform; data acquisition pod; anti-rolling device; dynamic analysis

60

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. 007 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

程果鋒,郭澤裕,王婕,等. 羅非魚養(yǎng)殖尾水污染物沉降特征研究[J]. 漁業(yè)現(xiàn)代化,2024,51(6):61-68.

收稿日期:2024-09-17

基金項(xiàng)目:國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系資助(CARS-46);海南省重點(diǎn)研發(fā)計(jì)劃“羅非魚池塘養(yǎng)殖尾水生態(tài)工程化處理技術(shù)研究與示范

(ZDYF2021XDNY276)”

作者簡介:程果鋒(1981—),男,碩士,副研究員,研究方向:池塘水域生態(tài)修復(fù)。 E-mail:chengguofeng@ fmiri. ac. cn

通信作者:劉興國(1965—),男,博士,研究員,研究方向:水域生態(tài)修復(fù)。 E-mail:liuxingguo@ fmiri. ac. cn

羅非魚養(yǎng)殖尾水污染物沉降特征研究

程果鋒1

,郭澤裕2

,王婕1

,劉士坤1

,陳哲2

,程翔宇2

,劉興國1

(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 上海海洋大學(xué)水產(chǎn)與生命學(xué)院,上海 201306 )

摘要:羅非魚(Oreochromis mossambicus)養(yǎng)殖排放尾水特征及沉降特點(diǎn)是影響尾水處理沉淀池設(shè)計(jì)的關(guān)鍵因

素,也是實(shí)現(xiàn)尾水高效處理的前提和基礎(chǔ)。 本研究以海南羅非魚養(yǎng)殖尾水為研究對象,通過對養(yǎng)殖排放尾水

和周邊環(huán)境進(jìn)行污染監(jiān)測及靜沉降試驗(yàn),測定水體總氮(TN)、總磷(TP)、化學(xué)需氧量(CODMn )、懸浮顆粒物

(TSS)濃度,分析總結(jié)羅非魚養(yǎng)殖尾水中污染情況及尾水處理合理沉降時間。 結(jié)果顯示:羅非魚養(yǎng)殖尾水中

TN、TP、CODMn 和 TSS 的質(zhì)量濃度范圍分別為 2. 00~ 15. 60、0. 59 ~ 2. 74、17. 20 ~ 20. 40 和 2. 50 ~ 144. 00 mg /

L;養(yǎng)殖池周邊水體 TN、TP、CODMn 和 TSS 的質(zhì)量濃度范圍分別為 2. 20 ~ 5. 80、0. 44 ~ 3. 21、4. 05 ~ 18. 95 和

55. 00~ 152. 00 mg / L;養(yǎng)殖尾水中顆粒態(tài)氮(TPN)、磷(TPP)平均占比分別為 20. 80% ~ 62. 80%、50. 80% ~

74. 90%。 尾水經(jīng)靜沉降處理 24 h 后,上層水體中 TSS 的下降率達(dá)到 83. 08%,靜沉降處理 48 h 后 TSS 質(zhì)量濃

度下降 84. 62%,沉降效果趨于穩(wěn)定。 綜合考慮,尾水靜沉降時間建議選 24 h 可有效去除水體中懸浮污染物。

關(guān)鍵詞:羅非魚;尾水治理;靜沉降;懸浮污染物

中圖分類號:S959 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0061-008

羅非魚(Oreochromis mossambicus) 經(jīng)過多年

快速發(fā)展,成為中國水產(chǎn)養(yǎng)殖的主要經(jīng)濟(jì)品種和

出口創(chuàng)匯水產(chǎn)品之一,產(chǎn)量和加工出口量均為全

球第一[1-4]

。 目前,中國羅非魚養(yǎng)殖普遍采用高

放養(yǎng)密度、高投飼量的精養(yǎng)模式,排放尾水中含有

較高氮磷、有機(jī)質(zhì),懸浮顆粒物等[5-8]

,尾水外排

會導(dǎo)致周邊水體富營養(yǎng)化[9-10]

。 隨著養(yǎng)殖規(guī)模的

擴(kuò)大,養(yǎng)殖區(qū)域的生態(tài)環(huán)境遭到破壞[11]

。 水質(zhì)惡

化、尾水污染、品質(zhì)下降等問題日益凸顯[12-13]

,嚴(yán)

重制約產(chǎn)業(yè)健康可持續(xù)發(fā)展。 隨著水產(chǎn)養(yǎng)殖產(chǎn)業(yè)

綠色發(fā)展要求,養(yǎng)殖尾水需處理達(dá)標(biāo)后方可排

放[14]

。 因此需要對養(yǎng)殖排放尾水規(guī)律進(jìn)行了解,

以便后續(xù)針對性展開凈化處理。

懸浮物是水體中氮、磷等污染物的重要載體,

懸浮物的去除是水處理過程中的重點(diǎn)環(huán)節(jié)。一

般養(yǎng)殖尾水處理設(shè)施配備的懸浮物去除工藝多

為沉降,目前,常見的養(yǎng)殖尾水處理工藝有“ 三

池兩壩” 、復(fù)合人工濕地等,占地面積一般達(dá)到

養(yǎng)殖面積的 10% ~ 15%。 系統(tǒng)前端設(shè)計(jì)有沉淀

池、生態(tài)溝渠或沉淀塘等,作為懸浮物中的第一

級處理—沉淀池,面積約占水處理系統(tǒng)總面積

的 40%,占比最高[14-18]

。 隨著用地成本的增加,

傳統(tǒng)池塘養(yǎng)殖對尾水處理設(shè)施集成化和高效化

的需求日趨強(qiáng)烈,整合創(chuàng)新尾水處理工藝,并將

其推廣應(yīng)用是當(dāng)前養(yǎng)殖尾水處理領(lǐng)域的研究

熱點(diǎn)。

目前羅非魚養(yǎng)殖尾水處理工藝中,羅非魚養(yǎng)

殖尾水沉降特征是沉淀池設(shè)計(jì)的關(guān)鍵因素,尤其

是水力停留參數(shù)設(shè)計(jì)是影響沉淀池占地面積的關(guān)

鍵因素[19-21]

。 掌握傳統(tǒng)養(yǎng)殖池塘排水過程中尾

水沉降特性是進(jìn)行養(yǎng)殖尾水高效水處理工藝設(shè)計(jì)

的前提和基礎(chǔ),目前尚未見羅非魚養(yǎng)殖尾水沉降

漁 業(yè) 現(xiàn) 代 化 2024 年

特征的研究報道。

本研究以中國羅非魚主產(chǎn)區(qū)海南省文昌、海

口、臨高等地羅非魚養(yǎng)殖場養(yǎng)殖尾水為研究對象,

通過對養(yǎng)殖尾水清塘排水過程進(jìn)行跟蹤監(jiān)測,并對

排放尾水進(jìn)行收集靜沉降處理,研究羅非魚養(yǎng)殖尾

水靜沉降前后水體氮、磷、懸浮物變化規(guī)律及有效

沉降時間,為后續(xù)羅非魚養(yǎng)殖尾水處理中提高污染

物去除率,合理設(shè)計(jì)占地面積,開展羅非魚養(yǎng)殖尾

水治理工藝創(chuàng)新和推廣提供關(guān)鍵數(shù)據(jù)支撐。

1 材料與方法

1. 1 試驗(yàn)養(yǎng)殖場

選取海南省 5 個養(yǎng)殖場(A 文昌市鋪前鎮(zhèn)、B

文昌市錦山鎮(zhèn)、C 文昌市錦山鎮(zhèn)羅豆農(nóng)場、D ?？?/p>

市三江鎮(zhèn)、E 臨高縣馬裊寶路養(yǎng)殖場)共 15 口羅

非魚養(yǎng)殖池塘尾水及前 4 個養(yǎng)殖場周邊水體進(jìn)行

排放檢測。 采集臨高縣馬裊寶路養(yǎng)殖場在清塘排

水時 50 L 尾水樣品用于室內(nèi)靜沉降試驗(yàn),進(jìn)行養(yǎng)

殖尾水中懸浮物自然沉降特性研究。

表 1 養(yǎng)殖場基本信息

Tab. 1 Basic information about the farm

養(yǎng)殖場

編號

養(yǎng)殖場

位置

養(yǎng)殖池塘

序號

池塘面積

(畝)

養(yǎng)殖密度

(尾/ 畝)

T1

文昌市鋪前鎮(zhèn)

A1 25 3 000

A2 28 3 000

A3 20 3 000

周邊溝渠 A4 - -

T2

文昌市錦山鎮(zhèn)

B1 36 4 000

B2 11 4 000

B3 10 4 000

周邊河流 B4 - -

T3

文昌市錦山鎮(zhèn)

羅豆農(nóng)場

C1 22 2 800

C2 20 2 800

C3 34 2 800

周邊溝渠 C4 - -

T4

海口市三江鎮(zhèn)

D1 14. 6 234

D2 14. 3 290

D3 15 381

周邊溝渠 D4 - —

T5

臨高縣馬裊寶

路養(yǎng)殖場

E1 30 3 121

E2 21 2 768

E3 26 2 911

注:1 畝= 666. 7 m

2

1. 2 靜沉降試驗(yàn)裝置及取樣

沉降裝置為 50 L 沉降筒,高約為 2 m,直徑

約 20 cm ,在羅非魚養(yǎng)殖池塘清塘排水時采集尾

水樣品,將水樣混合均勻,從頂端注入沉降柱中,

靜止放置同時開始計(jì)時,設(shè)置平行試驗(yàn)兩組。 采

樣時間設(shè)置為 0、6、12、24 和 48 h 于沉降筒上(距

水面 50 cm)、中( 距水面 100 cm)、下( 距水底

50 cm)層取樣 200 mL。

圖 1 沉降筒示意圖

Fig. 1 Schematic diagram of a sinker

1. 3 測定內(nèi)容及分析方法

水體理化指標(biāo)具體測定方法如表 2 所示。

表 2 水體理化指標(biāo)測定方法

Tab. 2 Measurement method of physcical and

chemical factors in water

理化指標(biāo) 測定方法

總氮(TN)

HJ 636—2012 堿性過硫酸鉀氧化

紫外分光光度法

總磷(TP)

GB 11893—1989 鉬銻抗分光光度

法

活性磷(SRP)

GB 11893—1989 鉬銻抗分光光度

法

化學(xué)需氧量(CODMn )

HJ/ T 132—2003 碘化鉀堿性高錳

酸鉀法

TSS 的質(zhì)量濃度,根據(jù)下式測定:

ρ = (A2

-A1 ) / V (1)

式中:ρ 為 TSS 的質(zhì)量濃度,mg / L;A1 為在 100 ℃

~105 ℃ 將 Whatman GF / F 玻璃纖維濾膜( 0. 7

μm)烘干(2 h 以上) 的質(zhì)量,mg;A2 為用該濾膜

抽濾體積為 V(L)后,在 100 ℃ ~ 105 ℃ 烘干 4

h,冷卻后的質(zhì)量,mg。

62

第 6 期 程果鋒等:羅非魚養(yǎng)殖尾水污染物沉降特征研究

2 結(jié)果與分析

2. 1 養(yǎng)殖尾水中氮磷的組成

氮磷含量是目前水產(chǎn)養(yǎng)殖污染物排放總量控

制的重要指標(biāo),被認(rèn)為是引起水體富營養(yǎng)化的主

要因素[8]

。 養(yǎng)殖尾水中氮磷主要由溶解態(tài)氮和

顆粒態(tài)氮磷組成。 不同羅非魚池塘尾水中氮含量

及其組成占比有所不同,如圖 3a 所示。 5 個地區(qū)

羅非魚池塘尾水中 TN 質(zhì)量濃度范圍在 2. 00 ~

15. 60 mg / L,其中溶解態(tài)氮(TDN)質(zhì)量濃度范圍

在 1. 70~10. 60 mg / L,顆粒態(tài)氮(TPN)平均占比

分別是 20. 80%、 42. 10%、 62. 80%、 24. 10% 和

29. 30%。 A、B、D 和 E 地區(qū)羅非魚養(yǎng)殖池塘尾水

中氮以 TDN 為主,C 地區(qū)以 TPN 為主。 A ~ D 周

邊溝渠水體 TN 含量在 2. 20 ~ 5. 80 mg / L,其中 D

地區(qū) TN 含量達(dá)到 5. 80 mg / L。 不同羅非魚養(yǎng)殖

池塘尾水中磷含量及其組成有所不同,如圖 3b 所

示。 5 個地區(qū)羅非魚池塘尾水中 TP 質(zhì)量濃度范

圍在 0. 59 ~ 2. 74 mg / L, TDP 質(zhì)量濃度范圍在

0. 30~1. 49 mg / L。 顆粒態(tài)磷( TPP) 平均占比分

別 是 69. 90%、 50. 80%、 73. 10%、 74. 90% 和

53. 80%。 A、C 和 D 地區(qū)羅非魚池塘尾水中磷以

TPP 為主,B、E 地區(qū) TPP 和 TDP 均勻分布。 五個

地區(qū)羅非魚池塘養(yǎng)殖尾水中 SRP 質(zhì)量濃度范圍

在 0. 05~1. 43 mg / L。 A~ D 周邊溝渠水體 TP 含

量在 0. 44~3. 21 mg / L,其中 B 地區(qū) TP 含量達(dá)到

3. 21 mg / L。

T

N/(mg/L)

T

P/(mg/L)

0

2

4

6

8

10

12

14

16

a

A1 A2 A3 A4 B1 B2 B3 B4 C1 C2 C3 C4 D1 D2 D3 D4 E1 E2 E3 A1 A2 A3 A4 B1 B2 B3 B4 C1 C2 C3 C4 D1 D2 D3 D4 E1 E2 E3

TPN

TDP TDP

TPP

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5 b

 

圖 2 不同采樣池中總氮總磷質(zhì)量濃度

Fig. 2 Total nitrogen and total phosphorus concentrations in different sampling tanks

2. 2 養(yǎng)殖尾水中有機(jī)物、懸浮顆粒物的組成

有機(jī)物是養(yǎng)殖尾水中主要的污染物質(zhì)之一,

CODMn 表征水體中易被氧化的有機(jī)物量。 如圖

4a 所示,15 個羅非魚池塘中 CODMn 的質(zhì)量濃度

范圍在 17. 20 ~ 20. 40 mg / L,溶解態(tài)的 CODMn 在

10. 40~20. 40 mg / L,A、C、D 地區(qū)的羅非魚養(yǎng)殖尾

水中易被氧化的有機(jī)物幾乎全部為溶解態(tài)有機(jī)

物,B、E 地區(qū)的羅非魚養(yǎng)殖尾水中易被氧化的有

機(jī)物大部分為溶解態(tài)有機(jī)物,小部分為顆粒態(tài)有

機(jī)物。 A~ D 周邊溝渠水體 CODMn 含量在 4. 05 ~

18. 95 mg / L,其中 B 地區(qū) CODMn 含量達(dá)到 18. 95

mg / L。 水體中懸浮顆粒物(TSS)的含量是評價水

質(zhì)好壞的重要指標(biāo)[22-23]

。 不同羅非魚養(yǎng)殖池塘

尾水中 TSS 含量有所不同,如圖 4b 所示。 5 個地

區(qū)羅非魚池塘尾水中 TSS 質(zhì)量濃度范圍在 2. 50~

144. 00 mg / L,其中,A、B、C 和 E 地區(qū)羅非魚池塘

尾水中 TSS 濃度較高,D 地區(qū)相對較低,可能由于

D 地區(qū)為羅非魚苗種養(yǎng)殖場,所產(chǎn)生的飼料殘餌

和魚體糞便含量較低,導(dǎo)致 TSS 濃度相對較低。

A~D 周邊溝渠水體 TSS 含量在 55. 00 ~ 152. 00

mg / L,其中 A 地區(qū) TSS 含量達(dá)到 152. 00 mg / L。

2. 3 養(yǎng)殖尾水靜沉降后氮磷變化

羅非魚養(yǎng)殖塘養(yǎng)殖尾水靜沉降過程中 TN、

TP 隨時間變化情況如圖 5 所示。 初始尾水中 TN

質(zhì)量濃度為 2. 70 mg / L、TP 質(zhì)量濃度為 1. 06 mg /

L。 靜沉降 24 h 后,沉降柱中 A 層、B 層 TN 質(zhì)量

63

漁 業(yè) 現(xiàn) 代 化 2024 年

A1 A2 A3 A4 B1 B2 B3 B4 C1 C2 C3 C4 D1 D2 D3 D4 E1 E2 E3 A1 A2 A3 A4 B1 B2 B3 B4 C1 C2 C3 C4 D1 D2 D3 D4 E1 E2 E3

 

C

O

DMn

/(mg/L)

CODMn

CODMn

0.0

2.5

5.0

7.5

10.5

12.5

15.0

17.5

20.0

22.5

25.0 a

TSS/(mg/L)

0

20

40

60

80

100

120

b

140

160

圖 3 不同采樣池中 CODMn 、TSS 質(zhì)量濃度

Fig. 3 CODMn

and SS concentrations in different sampling tanks

濃度略微上升,C 層 TN 質(zhì)量濃度不變;靜沉降 24

h 后,A 層、B 層、C 層 TP 質(zhì)量濃度的下降率均超

過 15%,其中 C 層水體效果最明顯。 靜沉降 48 h

后,沉降柱中 A 層、B 層水體中 TN 質(zhì)量濃度隨著

靜沉降時間增加先降低后略微升高,下層水體 TN

質(zhì)量濃度先升高后降低。 靜沉降 48 h 后,A 層 TP

質(zhì)量濃度下降 24. 53%,B 層下降 18. 76%,C 層下

降 16. 45%,其中 A 層的下降顯著(P<0. 05);靜

沉降過程 A 層水體中 TP 濃度先略微升高后再下

降,B 層、C 層水體中 TP 濃度隨著靜沉降時間增

加逐漸降低,靜沉降 48 h 后,上層水體中 TP 的下

降率為 24. 53%。 靜沉降 48 h 后,總體 TN 和 TP

質(zhì)量濃度下降效果與靜沉降 24 h 變化效果差異

不顯著,甚至中層水體的 TN 質(zhì)量濃度出現(xiàn)升高

趨勢,綜合來看養(yǎng)殖尾水靜沉降 24 h ,TN、TP 質(zhì)

量濃度下降效果最佳。

T

N/(mg/L) 0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0 a

0 6 12 24 48 0 6 12 24 48

/h

/h

A B C A B C

b

0 6 12 24 48

/h

A B C

b

T

N/(mg/L) 0.0 0.0

0.2

0.4

0.6

0.8

1.0

1.2

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0 a

0 6 12 24 48 0 6 12 24 48

/h

/h

A B C A B C

T

P/(mg/L)

b

T

P/(mg/L)

圖 4 靜沉降后不同深度總氮總磷質(zhì)量濃度隨時間變化情況

Fig. 4 Total nitrogen and total phosphorus concentrations with time at different depths after static settling

2. 4 養(yǎng)殖尾水靜沉降后有機(jī)物、懸浮顆粒物變化

羅非 魚 養(yǎng) 殖 塘 養(yǎng) 殖 尾 水 靜 沉 降 過 程 中

CODMn 、TSS 隨時間變化情況如圖 6 所示。 水體初

始 CODMn 質(zhì)量濃度為 4. 57 mg / L。 養(yǎng)殖尾水經(jīng)靜

沉降 24 h 和 48 h 后,沉降柱中不同水層水體中

CODMn 濃度無明顯變化,表明對此水體靜置處理

并不能有效去除水體中的有機(jī)物質(zhì)。 靜沉降試驗(yàn)

水體中 TSS 的初始質(zhì)量濃度為 65. 00 mg / L。 靜

沉降過程中,不同水層中 TSS 濃度不斷下降;經(jīng)靜

沉降 24 h 后,不同水層中 TSS 濃度均明顯下降,

64

第 6 期 程果鋒等:羅非魚養(yǎng)殖尾水污染物沉降特征研究

此時,上層水體中 TSS 的下降率達(dá)到 83. 08%;靜

沉降 48 h 后, 上層水體中 TSS 的下降率達(dá)到

84. 62%。 綜合考慮,尾水靜沉降時間可選 24 h,

即可有效降低水體中 TSS 濃度。

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0 a A B C A B C

0 6 12 24 48 0 6 12 24 48

/h

/h

0.0

0.2

0.4

0.6

0.8

1.0

1.2 b

C

O

DMn

/(mg/L)

A B C

0 6 12 24 48

/h

0.0

0.2

0.4

0.6

0.8

1.0

1.2 b

0.0

0.5

1.0

1.5

2.0

2.5

3.0

3.5

4.0 a A B C A B C

0 6 12 24 48 0 6 12 24 48

/h

/h

0.0

0.2

0.4

0.6

0.8

1.0

1.2 b

C

O

DMn

(mg/L)

TSS/(mg/L)

圖 5 靜沉降后不同深度 CODMn 、TSS 質(zhì)量濃度隨時間變化情況

Fig. 5 CODMn

and SS concentrations with time at different depths after static settling

3 討論

3. 1 羅非魚養(yǎng)殖尾水水質(zhì)情況

在淡水養(yǎng)殖過程中水體中污染物主要來自投

入的殘余飼料、養(yǎng)殖動物自身排泄物、殘留魚藥

等[24]

。 根據(jù)相關(guān)文獻(xiàn)[25]

,羅非魚養(yǎng)殖尾水排放

量雖總體較少,但通常集中在養(yǎng)殖周期末期排放,

并呈現(xiàn)瞬時集中排放的特征。 水產(chǎn)養(yǎng)殖對養(yǎng)殖水

體的主要影響是養(yǎng)殖期間各水體理化指標(biāo)濃度不

斷增加,導(dǎo)致水質(zhì)惡化。 因此排放尾水中含有較

高的懸浮物、氮、磷和有機(jī)物等。 淡水池塘養(yǎng)殖尾

水排放標(biāo)準(zhǔn)( SC / T 9101—2007) 二級排放標(biāo)準(zhǔn)

為:TN ≤ 5. 0 mg / L、TP ≤ 1. 0 mg / L、TSS≤ 100

mg / L、CODMn≤ 25 mg / L,對海南羅非魚池塘養(yǎng)殖

尾水進(jìn)行水質(zhì)監(jiān)測可知,尾水中氮磷含量和 TSS

質(zhì)量濃度較高,且大部分高于排放標(biāo)準(zhǔn),需經(jīng)處理

后排放; CODMn 質(zhì)量濃度較低, 符合二級排放

標(biāo)準(zhǔn)。

對 TN、TP 組成進(jìn)行分析發(fā)現(xiàn),水體中存在大

部分顆粒態(tài)氮磷,這與劉輝等[26] 研究發(fā)現(xiàn)羅非魚

對圍隔水體總磷和總氮影響非常顯著,且試驗(yàn)結(jié)

束時羅非魚組顆粒磷和顆粒氮濃度顯著高于對照

組結(jié)果相似。 這可能是因?yàn)轲B(yǎng)殖過程中飼料殘餌

和魚類排泄物在水體中降解后會釋放氨氮,隨后

在硝化細(xì)菌的作用下轉(zhuǎn)化為硝態(tài)氮。 同時,飼料

中的磷以顆粒態(tài)或溶解態(tài)形式存在,長期停留在

水體中會釋放溶解態(tài)磷,進(jìn)而導(dǎo)致氮磷濃度增加,

同時投喂飼料過多造成水體中 TSS 較多,而 TSS

中含有大量以顆粒態(tài)形式存在的氮磷,長期停留

水體中會造成氮磷釋放,導(dǎo)致水體氮磷濃度增加。

本試驗(yàn)尾水中 TSS 含量較高,高攀等[27]發(fā)現(xiàn)在草

魚標(biāo)準(zhǔn)養(yǎng)殖池塘 TSS 質(zhì)量濃度為 65 mg / L,大于

鰱鳙親魚池塘 TSS 質(zhì)量濃度 37. 53±22. 02 mg / L,

與對蝦圍隔生態(tài)系[28]

TSS 質(zhì)量濃度變化在 20. 83

~172. 50 mg / L 較為接近,這可能與放養(yǎng)品種、浮

游生物繁殖、養(yǎng)殖動物攝食運(yùn)動及水體其他理化

因子有關(guān)。 關(guān)于 TSS 的具體組成,由于缺乏浮游

生物干質(zhì)量的準(zhǔn)確定量方法,多數(shù)的研究表明,有

機(jī)碎屑是 TSS 的重要組成部分[29-30]

。

對羅非魚周邊溝渠采樣發(fā)現(xiàn),少部分溝渠水

中 TN 含量超標(biāo),幾乎所有溝渠水中 TSS 含量均

高于淡水池塘養(yǎng)殖水二級排放標(biāo)準(zhǔn),這表明在羅

非魚養(yǎng)殖過程中,周邊溝渠受其養(yǎng)殖尾水污染嚴(yán)

重,長此以往,周邊水環(huán)境必然更加惡化,進(jìn)而對

周邊居民生活產(chǎn)生危害,也不利于該地區(qū)羅非魚

養(yǎng)殖業(yè)可持續(xù)發(fā)展。 為了防止羅非魚養(yǎng)殖尾水對

周邊環(huán)境的污染擴(kuò)散,可以采用人工濕地或生態(tài)

修復(fù)技術(shù),如通過植被過濾和沉淀系統(tǒng)來有效降

低水體中的懸浮顆粒物和氮磷含量,從而減輕對

周邊水體的污染。

3. 2 尾水靜沉降后水質(zhì)凈化效果

對養(yǎng)殖尾水進(jìn)行靜沉降處理后,尾水中 TP

65

漁 業(yè) 現(xiàn) 代 化 2024 年

濃度和 TSS 濃度隨靜沉降時間增加而減少,結(jié)果

顯示 TP 質(zhì)量濃度的下降率最高為 24. 53%,TSS

質(zhì)量濃度的下降率達(dá)到 84. 62%,效果顯著。 袁

新程等[31]發(fā)現(xiàn)池塘養(yǎng)殖廢水沉降時取樣位置的

深度越淺,總懸浮物含量變化越快,沉降率越大。

本研究結(jié)果并不符合這一規(guī)律,這可能是因

為本研究采取的沉降時間較長,且水體中 TSS 質(zhì)

量濃度較高,可能導(dǎo)致沉降速率與袁新程等[31] 的

研究有所不同。 因此,在實(shí)際應(yīng)用中,需根據(jù)尾水

的具體水質(zhì)條件調(diào)整沉降時間。 本研究發(fā)現(xiàn),

TSS 在靜沉降 24 h 后,質(zhì)量濃度趨于穩(wěn)定。 桂福

坤等[32]研究表明沉降初期,以大顆粒懸浮物沉降

為主,沉降速率大;沉降中后期,以小顆粒懸浮物

絮凝沉降為主,沉降速率小。一般在沉降中會出

現(xiàn)兩種情況,一種是大粒徑 TSS 會采用單顆粒的

形式沉積下層,此種沉降方式速度較快;一種是小

粒徑 TSS,沉降速度慢,并且在沉降過程中會與其

他有機(jī)質(zhì)結(jié)合形成絮凝體以絮凝的方式沉降[33]

。

本研究靜沉降前期,TSS 濃度下降較快,可能

在前期沉降多以大顆粒 TSS 單顆粒沉降為主,在

24 h 后,沉降速度降低,以小粒徑絮凝體沉降為

主。 經(jīng)沉降過后,TSS 質(zhì)量濃度低于 50 mg / L,可

達(dá)到淡水池塘養(yǎng)殖水一級排放標(biāo)準(zhǔn),這表明靜沉

降在尾水各項(xiàng)污染指標(biāo)中,對 TSS 去除效果最為

明顯[34-35]

。 懸浮顆粒物的沉降速率受到水體溫

度、流速以及顆粒物大小和密度的影響。

在本研究中,由于沉降水體的靜態(tài)條件,較大

顆粒物通過重力作用迅速沉降,而較小顆粒物則

由于水體中浮游植物和有機(jī)質(zhì)的絮凝作用而逐漸

沉降。 靜沉降處理對尾水中 TN、CODMn 的凈化效

果并不明顯。 這可能與該尾水中這二者濃度本身

就處于較低水平有關(guān),靜沉降作為處理尾水的初

級手段,僅適用于較混濁水體的處理,對污染物的

去除效果有限,也可能該尾水中氮及有機(jī)物在水

體中形態(tài)大部分以溶解態(tài)為主,沉降借助重力僅

作用于顆粒態(tài)物質(zhì)從而達(dá)到凈化水體的作用。 袁

新程等[31]在對池塘養(yǎng)殖尾水沉降處理發(fā)現(xiàn) TN 質(zhì)

量濃度在沉降 90 min 后趨于穩(wěn)定,TP 質(zhì)量濃度

在 120 min 后趨于穩(wěn)定。 該研究中上層水體中

TN、TP 質(zhì)量濃度處于不規(guī)律變化可能是因?yàn)殡S

著時間增加,水體里懸浮的浮游植物通過光合作

用不斷固定有機(jī)物,硝化細(xì)菌不斷作用,導(dǎo)致水體

中氮磷含量發(fā)生變化。 試驗(yàn)結(jié)果表明,靜沉降對

懸浮顆粒物有顯著的去除效果,但對有機(jī)物的去

除效率較低。 因此,在實(shí)際應(yīng)用中,沉降池應(yīng)與其

他生物處理或化學(xué)處理工藝結(jié)合,以提高總污染

物的去除效率。

4 結(jié)論

研究發(fā)現(xiàn),海南省羅非魚養(yǎng)殖池養(yǎng)殖尾水中

TN、TP、TSS 質(zhì)量濃度大部分超過淡水池塘養(yǎng)殖

水二級排放標(biāo)準(zhǔn),需經(jīng)處理后排放。 本研究通過

分析羅非魚養(yǎng)殖尾水的水質(zhì)情況,提出了采用靜

沉降技術(shù)有效去除 TSS 的處理方案,并建議靜沉

降時間為 24 h,即可有效去除水體中懸浮污染物。

尾水經(jīng)靜沉降處理 24 h 后, TP 質(zhì)量濃度下降

24. 53%,上層水體中 TSS 的下降率達(dá)到 83. 08%,

靜沉降處理 48 h 后 TSS 質(zhì)量濃度下降 84. 62%,

沉降效果趨于穩(wěn)定,這為羅非魚養(yǎng)殖尾水的環(huán)境

友好處理提供了技術(shù)參考,尤其是在簡易設(shè)施和

低成本操作下具有較大的應(yīng)用潛力。 然而,由于

靜沉降對溶解態(tài)污染物的去除效果有限,未來研

究應(yīng)探索多種技術(shù)聯(lián)用的綜合處理方法,且進(jìn)一

步探索沉降池與生物濾池、人工濕地等工藝的集

成效果,優(yōu)化水力停留時間,并研究氮磷轉(zhuǎn)化機(jī)

理,以提高整體處理效率。 □

參考文獻(xiàn)

[1] 王慧芝,車斌,陳國平. 中國羅非魚出口現(xiàn)狀及應(yīng)對措施

[J]. 山西農(nóng)業(yè)科學(xué), 2010, 38(8): 81-83.

[2] 趙海軍,楊彬彬,郝躍,等. 我國羅非魚出口現(xiàn)狀及對策[ J].

食品安全質(zhì)量檢測學(xué)報, 2015, 6(12): 5100-5106.

[3] 王祖峰,張博遠(yuǎn),黃太壽,等. 我國羅非魚養(yǎng)殖的主要模式及

發(fā)展前景淺析[J]. 中國水產(chǎn), 2022(5): 50-53.

[4] 郭忠寶,肖蕊,黃卉,等. 3 種養(yǎng)殖模式羅非魚品質(zhì)比較分析

與評價[J]. 南方農(nóng)業(yè)學(xué)報,2021,52(1):206-212.

[5] 馬之瑞,陳麗婷,嚴(yán)欣,等. 池塘循環(huán)水養(yǎng)殖模式對羅非魚不

同部位肌肉品質(zhì)的影響[ J]. 南方農(nóng)業(yè)學(xué)報,2023,54( 9):

2790-2799.

[6] 高攀,李曉東,翟旭亮,等. 主養(yǎng)羅非魚魚菜共生池塘水質(zhì)指

標(biāo)的變化規(guī)律和氮磷收支[ J]. 漁業(yè)研究, 2021, 43 ( 2):

167-174.

[7 ] PEDERSEN P B, AHNEN M V, FERNANDES P, et al.

Particle surface area and bacterial activity in recirculating

aquaculture systems [J]. Aquacultural Engineering, 2017, 78:

18-23.

[8] 黃瑛,穆希巖,李應(yīng)仁. 中國水產(chǎn)養(yǎng)殖污染物排放總量控制框

66

第 6 期 程果鋒等:羅非魚養(yǎng)殖尾水污染物沉降特征研究

架構(gòu)建[J]. 中國漁業(yè)質(zhì)量與標(biāo)準(zhǔn),2021,11(2): 63-70.

[9] SEE K F, IBRAHIMR A, GOH K H. Aquaculture efficiency

and productivity: A comprehensive review and bibliometric

analysis[J]. Aquaculture, 2021, 544: 736881.

[10]王鈺欽,鄭堯,錢信宇,等. 中國水產(chǎn)養(yǎng)殖尾水污染現(xiàn)狀及凈

化技術(shù)研究進(jìn)展[J]. 農(nóng)學(xué)學(xué)報,2022,12(3): 65-70.

[11]陳思媛,陶玲,彭亮,等. 稻田-溝渠協(xié)同凈化池塘養(yǎng)殖尾水效

果[J]. 淡水漁業(yè), 2024, 54(3): 85-96.

[12]BISWAS G, JENA J K, SINGH S K, et al. Effect of feeding

frequency on growth, survival and feed utilization in mrigal,

Cirrhinus mrigala, and rohu, Labeo rohita, during nursery

rearing[J]. Aquaculture, 2006, 254(1): 211-218.

[ 13 ] MARTINEZ-PORCHAS M, MARTINEZ-CORDOVA L R.

World aquaculture: Environmental impacts and troubleshooting

alternatives [ J ]. The Scientific World Journal, 2012,

2012: 389623.

[14]劉建華,馬明,黃鴻兵. 養(yǎng)殖池塘尾水“三池兩壩” 凈化改造

的實(shí)踐與探索[J]. 水產(chǎn)養(yǎng)殖, 2023, 44(3): 60-63.

[15]黃麗,吳松,覃東立,等. 淡水養(yǎng)殖池塘水質(zhì)評價及與底質(zhì)相

關(guān)性分析[J]. 水產(chǎn)學(xué)雜志, 2024, 37(2): 90-97.

[16]鄭仕夫,徐慧敏,陳曦,等. 水產(chǎn)養(yǎng)殖尾水處理技術(shù)的研究現(xiàn)

狀和發(fā)展趨勢[J]. 中國農(nóng)學(xué)通報, 2024, 40(12): 159-164.

[17]徐鵬,張紫英,李文紅,等. 綠狐尾藻和空心菜對模擬池塘養(yǎng)

殖尾水的凈化效果分析[ J]. 南方農(nóng)業(yè)學(xué)報,2022,53(10):

2812-2820.

[18]GESTO M, DE JESUS GREGERSEN K J, PEDERSEN L-F.

Effects of ozonation and foam fractionation on rainbow trout

condition and physiology in a small-scale freshwater recirculation

aquaculture system[J]. Aquaculture, 2022, 557: 738312.

[19]于永霞. 羅非魚(Oreochromis niloticus) 藻菌共處型生物絮團(tuán)

養(yǎng)殖系統(tǒng)的構(gòu)建及調(diào)控[D]. 上海:上海海洋大學(xué), 2019.

[20]魏賓,方潔,顧雪林,等. 基于“三池兩壩”組合流程的池塘養(yǎng)

殖尾水凈化效能[J]. 水產(chǎn)養(yǎng)殖, 2021, 42(11): 27-34.

[21]王磊,張哲,王文君,等. “三池兩壩”多級池塘對凡納濱對蝦

工廠化海水養(yǎng)殖尾水的處理效果研究[ J]. 海洋環(huán)境科學(xué),

2023, 42(5): 720-728.

[22]張俊新,劉長發(fā),何潔,等. 工廠化養(yǎng)殖循環(huán)水固液分離特性

及處理工藝選擇分析[ J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報, 2008( 3):

1173-1176.

[23]DAUDA A, IBRAHIM H, BICHI A, et al. Assessment of fish

farming practices, operations, water resource management and

profitability in Katsina State, Nigeria[ J]. Journal of Northeast

Agricultural University, 2017, 24: 89-96.

[24]沈夏霜,秦振發(fā),譚蕓,等. 吉富羅非魚四種養(yǎng)殖模式對水質(zhì)

的影響[J]. 水產(chǎn)科技情報, 2019,46(1): 10-13.

[25]陳娟,樓喬奇,高小孟,等. 淡水養(yǎng)殖排污口全過程監(jiān)測體系

分析[J]. 安徽農(nóng)學(xué)通報,2024,30(10): 63-66.

[26]劉輝,謝貽發(fā),張修峰,等. 羅非魚對水質(zhì)的影響[ J]. 生態(tài)科

學(xué), 2008, 27(6): 494-498.

[27]高攀,蔣明,趙宇江,等. 主養(yǎng)草魚池塘水質(zhì)指標(biāo)的變化規(guī)律

和氮磷收支[J]. 云南農(nóng)業(yè)大學(xué)學(xué)報, 2009, 24(1): 71-77.

[28]劉國才,李德尚,盧靜,等. 對蝦養(yǎng)殖圍隔生態(tài)系顆粒懸浮物

的研究[J]. 應(yīng)用生態(tài)學(xué)報, 1999(3): 95-97.

[29]XIE P. Plankton and seston structure in a shallow, eutrophic

subtropic Chinese lake [ J]. Archiv fur Hydrobiologie, 1993,

129: 199-220.

[30]謝平. 武漢東湖顆粒懸浮物的結(jié)構(gòu)與元素組成[ J]. 水生生

物學(xué)報, 1996 (3): 197-205.

[31]袁新程,施永海,劉永士. 池塘養(yǎng)殖廢水自由沉降及其三態(tài)

氮、總氮和總磷含量變化[J]. 廣東海洋大學(xué)學(xué)報, 2019, 39

(4): 56-62.

[32]桂福坤,方帥,曲曉玉,等. 舟山近海海域養(yǎng)殖水體懸浮物沉

降特 性 試 驗(yàn) 研 究 [ J ]. 農(nóng) 業(yè) 工 程 學(xué) 報, 2020, 36 ( 10 ):

206-212.

[33]雷坤,楊作升,郭志剛. 東海陸架北部泥質(zhì)區(qū)懸浮體的絮凝

沉積作用[J]. 海洋與湖沼, 2001(3): 288-295.

[34]嚴(yán)峻,章霞,李偉業(yè),等. 對蝦大棚養(yǎng)殖廢水懸浮物靜沉降效

果初步研究[J]. 浙江海洋學(xué)院學(xué)報(自然科學(xué)版), 2017,36

(2):186-189.

[35]向軍,逄勇,李一平,等. 淺水湖泊水體中不同顆粒懸浮物靜

沉降規(guī)律研究[J]. 水科學(xué)進(jìn)展, 2008(1):111-115.

67

漁 業(yè) 現(xiàn) 代 化 2024 年

Discharge pattern and sedimentation characteristics of

tilapia aquaculture wastewater

CHENG Guofeng

1

, GUO Zeyu

2

, WANG Jie

1

, LIU Shikun

1

, CHEN Zhe

2

, CHENG Xiangyu

2

, LIU Xingguo

1

(1 Fishery Machinery and Instrument Research Institute,Chinese Academy of Fishery Sciences,

Shanghai 200092,China;

2 College of Fisheries and Life Science, Shanghai Ocean University, Shanghai 201306,China)

Abstract:The characteristics and sedimentation features of tail water discharged from tilapia ( Oreochromis

mossambicus) farming are the key factors influencing the design of sedimentation ponds, as well as the

precondition and foundation for achieving efficient treatment of tail water. Taking the tail water from tilapia

farming in Hainan as the research object, through conducting pollution monitoring and static sedimentation

experiments on the farmed discharged tail water and the surrounding environment, the concentrations of total

nitrogen ( TN), total phosphorus ( TP ), chemical oxygen demand ( CODMn ), and suspended particulate

matter ( TSS) in the water body were determined, and the pollution situation in the tail water and the

reasonable sedimentation time for tail water treatment were analyzed and summarized. The results indicated

that the concentration ranges of TN, TP, CODMn

and TSS in the tail water from tilapia farming were 2. 00 - 15.

60 mg / L, 0. 59 - 2. 74 mg / L, 17. 20 - 20. 40 mg / L and 2. 50 - 144. 00 mg / L, respectively; the concentration

ranges of TN, TP, CODMn

and TSS in the surrounding water of the culture ponds were 2. 20 - 5. 80 mg / L, 0.

44 - 3. 21 mg / L, 4. 05 - 18. 95 mg / L and 55. 00 - 152. 00 mg / L, respectively; the average proportions of

particulate nitrogen (TPN) and phosphorus (TPP) in the tail water were 20. 80% - 62. 80% and 50. 80% -

74. 90%, respectively. After 24 hours of static sedimentation treatment of the tail water, the decrease rate of

TSS in the upper water layer reached 83. 08%. The TSS concentration decreased by 84. 62% after 48 hours of

static sedimentation treatment, and the sedimentation effect tended to be stable. Considering

comprehensiveness, the static sedimentation time of the tail water can be selected as 24 hours, effectively

removing the suspended pollutants in the water body.

Key words:Oreochromis mossambicus; wastewater treatment; static settlement; suspended pollutants

68

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. 008 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

馬志艷,吳佳俊,周明剛,等.一種基于視覺的魚苗體長快速非接觸測量方法[J]. 漁業(yè)現(xiàn)代化,2024,51(6):69-79.

收稿日期:2024-07-24

基金項(xiàng)目:湖北省重點(diǎn)研發(fā)項(xiàng)目“小龍蝦數(shù)字化分撿技術(shù)裝備開發(fā)及應(yīng)用(2022BBA016)”;湖北省自然科學(xué)基金項(xiàng)目“不確定環(huán)境下移

動機(jī)器人智能感知理論及自主行為關(guān)鍵技術(shù)研究(2023AFA037)”

作者簡介:馬志艷 (1976—),男,博士,副教授,研究方向:計(jì)算機(jī)視覺、智能控制與優(yōu)化。 E-mail: 20071017@ hbut. edu. cn

一種基于視覺的魚苗體長快速非接觸測量方法

馬志艷1,2

,吳佳俊1

,周明剛1,2

,張淑霞1

(1 湖北工業(yè)大學(xué)農(nóng)機(jī)工程研究設(shè)計(jì)院,湖北 武漢 430068;

2 湖北省農(nóng)機(jī)裝備智能化工程技術(shù)研究中心,湖北 武漢 430068)

摘要:在水產(chǎn)養(yǎng)殖過程中,及時準(zhǔn)確地獲取魚苗形體尺寸十分重要。 傳統(tǒng)人工取樣測量方式費(fèi)時費(fèi)力,無法

滿足智慧水產(chǎn)發(fā)展的需求。 以體長分布在 20 ~ 100 mm 的草魚 (Ctenopharyngodon idella) 魚苗為對象,提出

了一種基于視覺的魚體體長快速測量方法,可在無參照和非接觸情況下對試驗(yàn)魚苗進(jìn)行快速準(zhǔn)確體長測量。

首先利用 RGB-D 相機(jī)獲取目標(biāo)深度信息和灰度圖像,通過圖像處理完成目標(biāo)魚體與背景分割;進(jìn)一步對可

能存在的粘連魚群圖像提取對應(yīng)的凹區(qū)域和凹點(diǎn),完成基于凹點(diǎn)的魚苗個體分離;然后利用改進(jìn)的細(xì)化算法

提取魚體骨架,并篩選出骨架關(guān)鍵點(diǎn);最后結(jié)合圖像深度信息完成骨架點(diǎn)三維坐標(biāo)的轉(zhuǎn)換,實(shí)現(xiàn)魚苗全長準(zhǔn)

確測量。 結(jié)果顯示,該方法對試驗(yàn)魚苗全長測量的平均絕對誤差為 1. 62 mm,平均相對誤差為 4. 24%。 研究

結(jié)果可以為水產(chǎn)養(yǎng)殖業(yè)分級飼養(yǎng)、智能投喂等應(yīng)用提供非接觸測量技術(shù)支持。

關(guān)鍵詞:魚苗分級;視覺測量;粘連分割;細(xì)化算法;深度信息

中圖分類號:S969;TP391 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0069-011

在智慧水產(chǎn)養(yǎng)殖中,魚體外形尺寸信息尤其

是魚體長度不僅反映生長信息,還體現(xiàn)了相應(yīng)的

群體特征,具有十分重要的意義。 魚苗飼養(yǎng)一段

時間后,由于進(jìn)食量差異會導(dǎo)致尺寸分布不均,有

可能會出現(xiàn)大魚傷害小魚的現(xiàn)象,造成經(jīng)濟(jì)損失。

在獲取魚苗尺寸信息后,可以對魚苗進(jìn)行分級精

準(zhǔn)投喂,避免飼料過剩污染養(yǎng)殖環(huán)境同時節(jié)省養(yǎng)

殖成本[1-2]

。 目前魚苗尺寸的獲取主要依賴于人

工抽樣測量,不僅效率低,還會對魚苗造成傷害。

因此,開發(fā)一種快速、準(zhǔn)確、非接觸的魚苗尺寸測

量方法十分重要。

隨著技術(shù)的發(fā)展,計(jì)算機(jī)視覺在水產(chǎn)養(yǎng)殖的

體質(zhì)量測量[3-4]

、數(shù)量統(tǒng)計(jì)[5-6]

、行為分析[7]

、魚道

監(jiān)測[8]

、新鮮度檢測[9-10]等領(lǐng)域得到了廣泛應(yīng)用。

針對魚苗尺寸無接觸測量方法,國內(nèi)學(xué)者開展了

一些研究。 郭卜瑜等[11] 通過搭建平行式雙目立

體視覺測量系統(tǒng),利用 Harris 角點(diǎn)提取算法獲取

魚苗圖像的關(guān)鍵特征點(diǎn),可計(jì)算出魚苗尺寸,驗(yàn)證

了雙目視覺應(yīng)用于魚類養(yǎng)殖業(yè)的可行性。 周

暉[12]通過多方向目標(biāo)檢測用最小外接矩形擬合

魚體形狀,得到了魚體像素長度,再轉(zhuǎn)化為實(shí)際體

長,平均相對誤差為 9. 6%。 Chen 等[13] 利用基于

輪廓和凸包計(jì)算的處理算法,提取到魚吻尖和尾

鰭的關(guān)鍵測量點(diǎn),并將其像素坐標(biāo)轉(zhuǎn)化為三維坐

標(biāo),以兩點(diǎn)間的距離得到體長測量值,平均相對誤

差小于 2. 55%。 李振波等[14] 提出了基于遷移學(xué)

習(xí) ResNet50 模型的魚苗體長估測方法,利用同一

高度下拍攝的不同尺寸魚苗圖像數(shù)據(jù),訓(xùn)練了 4

種遷移學(xué)習(xí)模型來估計(jì)魚苗體長,測試集準(zhǔn)確度

為 93. 93%。 黃康為等[15]

、李艷君等[16] 利用深度

學(xué)習(xí)完成魚體檢測與初始分割,將得到的輪廓點(diǎn)

云投影到擬合平面,通過獲取變換后的坐標(biāo)點(diǎn)來

計(jì)算魚體長度,測量的平均相對誤差為 4. 7%。

上述文獻(xiàn)中,利用深度學(xué)習(xí)模型獲取魚苗圖像信

息雖然穩(wěn)定性更高、效果更好,但對樣本數(shù)據(jù)依賴

性比較高,需要大樣本數(shù)據(jù)支持,屬于高成本消

漁 業(yè) 現(xiàn) 代 化 2024 年

耗,在 普 通 個 體 養(yǎng) 殖 戶 中 很 難 快 速 推 廣 應(yīng)

用[17-18]

。 傳統(tǒng)處理方法雖然快速簡單,對數(shù)據(jù)量

和時間要求較低,但效果受環(huán)境影響較大[19]

。 如

何在一定密度魚群圖像中,快速、準(zhǔn)確獲取魚苗尺

寸信息成為一個技術(shù)難題。

針對魚苗測量時體態(tài)易彎曲、多粘連的問

題,本研究提出了一種基于圖像凹點(diǎn)分割算法

的魚苗骨架快速提取方法。 即在魚苗圖像粘連

處,利用凹點(diǎn)特征對粘連魚體進(jìn)行分離,并以細(xì)

化魚體骨架作為體長測量線,實(shí)現(xiàn)對魚苗體長

的測量。

1 基于視覺的魚苗體長快速測量方法

基于視覺的魚苗體長測量方法的基本流程如

圖 1 所示。 首先,通過深度相機(jī)采集目標(biāo)魚群灰

度和深度圖像并完成對齊;然后在灰度圖中通過

背景去除獲取魚體輪廓圖;進(jìn)一步通過魚群凹點(diǎn)

特征對存在粘連的魚體實(shí)現(xiàn)分割;再利用改進(jìn)后

的細(xì)化算法獲取魚體骨架線,通過最小二乘法擬

合骨架線完成測量關(guān)鍵點(diǎn)篩選;最后結(jié)合圖像深

度信息將測量關(guān)鍵點(diǎn)映射至三維空間實(shí)現(xiàn)魚體的

尺寸測量。

圖 1 基于視覺的魚苗體長測量流程圖

Fig. 1 Flowchart of vision-based fish fry body length measurement

2 魚苗體長測量實(shí)現(xiàn)

2. 1 圖像采集

選用體長分布范圍為 20 ~ 100 mm 的草魚苗

作為測量對象,搭建了試驗(yàn)采集裝置進(jìn)行魚苗圖

像采集。 圖像采集裝置(圖 2a) 為 450 mm× 300

mm × 500 mm 的鋁型材框架,安裝相機(jī)型號為

Intel Realsense D435,可以同時采集目標(biāo)對象的圖

像信息和深度信息,圖 2b、2c 分別為所采集到的

灰度圖和上色后的深度圖。 計(jì)算機(jī)硬件配置包括

Intel( R) Core ( TM) i5 - 13400F 中 央 處 理 器、

32GB DDR4 內(nèi)存,運(yùn)行 Windows 10 操作系統(tǒng),負(fù)

責(zé)圖像采集控制和圖像處理工作。 裝置下方是一

個 350 mm×250 mm×95 mm 的白色方形魚苗檢測

池,用來存放試驗(yàn)魚苗。 考慮到魚苗在垂直方向

會發(fā)生相互重疊影響到魚體的分割,因此針對魚

70

第 6 期 馬志艷等:一種基于視覺的魚苗體長快速非接觸測量方法

苗大小,可將魚苗池內(nèi)的水深控制在 1~2 cm。 采

集圖像時,相機(jī)固定在檢測池中心正上方距離液

面 31 cm 處,采集的灰度和深度圖像大小均為

640×480 像素,并利用 align 庫函數(shù)對齊深度圖與

灰度圖。

B

 C

 D





圖 2 圖像采集試驗(yàn)平臺與原始圖像

Fig. 2 Image acquisition testbed and raw images

2. 2 魚苗圖像分割

2. 2. 1 魚苗背景分割

由于采集圖像時未對光照條件進(jìn)行控制或采

取任何遮光措施,圖像質(zhì)量受到水面反射和外部

光照環(huán)境的嚴(yán)重影響,直接進(jìn)行圖像分割難以獲

得完整的魚苗前景圖像。 本研究基于單尺度

Retinex 算法[20]

( Single Scale Retinex, SSR) 對魚

苗灰度圖像(圖 3a)進(jìn)行處理,可有效消除環(huán)境光

對圖像的影響。 基本的 Retinex 算法公式如下:

R = ln(I)-ln(L) (1)

式中:I 表示輸入的原始圖像,L 表示光照分量,即

圖像中由光照條件產(chǎn)生的部分,R 表示反射分量,

即物體表面的反射性質(zhì),也就是增強(qiáng)后的圖像,處

理效果如圖 3b 所示。

目標(biāo)圖像除了存在照度不均的同時,也存在

較多圖像噪聲,如水面波動和水下顆粒產(chǎn)生的噪

聲。 還 需 進(jìn) 一 步 采 用 小 波 去 噪 ( Wavelet

Denoising)算法進(jìn)行降噪處理。 通過對小波軟閾

值函數(shù)進(jìn)行改進(jìn),可以有效地降低水下圖像中的

高頻噪聲[21]

,同時保留圖像的邊緣和細(xì)節(jié),處理

結(jié)果如圖 3c 所示,改進(jìn)公式如下:

w?j,k

=

sign(wj,k) × wj,k

2 -λ

2

[ ]

1

2

, | wj,k

| ? λ

0, | wj,k

| < λ { (2)

式中:wj,k 為原始小波系數(shù);w?j,k 為閾值后的小波

系數(shù);sign 為符號函數(shù);λ 為閾值。

經(jīng)過去噪處理后,借助灰度直方圖即可快速

找到最佳分割閾值,分割出魚苗圖像。 此外,二值

化處理后的魚苗圖像會出現(xiàn)一些小空洞,利用

3?3 的卷積核進(jìn)行一次形態(tài)學(xué)閉運(yùn)算,來填補(bǔ)空

洞和平滑邊界,而不顯著改變魚苗的面積,最后可

以得到去除背景的魚苗圖片,魚苗背景分割效果

如圖 3d 所示。

B

 C

 D

 E



圖 3 魚苗圖像預(yù)處理

Fig. 3 Fish fry image preprocessing

為評價預(yù)處理后的分割效果,利用交并比 IoU

作為分割效果評價指標(biāo),如式(3)所示:

IoU=

TP

TP+FP+FN

(3)

71

漁 業(yè) 現(xiàn) 代 化 2024 年

式中:TP 為真陽性數(shù),即算法分割結(jié)果與人工分

割結(jié)果像素的交集;FP 為假陽性數(shù),為算法分割

像素中不在人工分割結(jié)果內(nèi)的像素;FN 為假陰

性數(shù),為人工分割像素中不在算法分割結(jié)果內(nèi)的

像素。

2. 2. 2 粘連魚群分割

在魚苗圖像采集過程中,雖然通過限制水層

高度盡可能使魚苗間不發(fā)生深度方向的重疊,但

魚苗還會出現(xiàn)不同程度同層粘連現(xiàn)象。 對于這些

情況,在進(jìn)行測量操作前需要進(jìn)行魚體分離。 針

對粘連物體分離的方法主要有凹點(diǎn)分割法[22]

、極

限腐蝕法[23] 和分水嶺[24] 等方法。 分水嶺法對于

粘連嚴(yán)重的情況應(yīng)用效果較差,而極限腐蝕法在處

理過后會破壞魚體圖像的完整性[25]

,因此本研究

基于凹點(diǎn)分割法對粘連魚體圖像進(jìn)行分割處理。

(1)魚群粘連情況的判別

在進(jìn)行分割操作之前,需要對魚苗粘連情況

進(jìn)行判別。 對所有魚苗二值化圖像(圖 4a 和 4d)

進(jìn)行輪廓分析之后,構(gòu)建每個輪廓的凸封閉包

(圖 4b 和 4e)。 對于單條魚苗而言,得到的凸包

面積與魚體輪廓面積差值不大;而有粘連的多條

魚苗,凸包面積與魚體輪廓面積有較大差異(圖

4c 和 4f)。 本研究通過設(shè)置一個比例系數(shù) K =

0. 6,當(dāng)凹區(qū)域與原始二值化圖像面積之比大于

比例系數(shù) K 時,才判斷當(dāng)前二值化區(qū)域出現(xiàn)了粘

連,并通過腐蝕、距離變換和連通域統(tǒng)計(jì)等圖像處

理操作獲取粘連魚苗數(shù)目。 此外,當(dāng)單個魚體發(fā)

生較大的形體彎曲時,也會被錯判為發(fā)生了粘連

現(xiàn)象,在試驗(yàn)中發(fā)現(xiàn)此類情況較少, 可以基本

忽略。

B

 C

 D



E

  F

  G

 

圖 4 魚體粘連判定

Fig. 4 Determination of fish adhesion

注意到在魚苗二值化圖像輪廓邊緣線中未發(fā)

生粘連部分呈現(xiàn)出往邊緣外側(cè)凸出的特征,而發(fā)

生粘連的部分則是呈現(xiàn)往邊緣內(nèi)側(cè)凹陷的特

征[26]

。 因此,本研究通過粘連處的凹陷區(qū)域提取

凹點(diǎn)特征,并將其作為粘連點(diǎn)來分離粘連魚體。

(2)粘連魚群的分割

針對魚苗圖像粘連,可分為個體圖像的串聯(lián)、

并聯(lián)兩種情況來處理。 在串聯(lián)粘連中,常見的形

式為魚苗頭-軀干相連、軀干-軀干相連和尾-軀

干相連,此時凹點(diǎn)數(shù) A 與魚苗數(shù) n 的關(guān)系是 A =

2n-2。 對于只有 2 個魚體發(fā)生粘連的串聯(lián)情況,

凹區(qū)域一般是一一對應(yīng),凹點(diǎn)常常為凹區(qū)域上距

離凸包邊緣的最遠(yuǎn)點(diǎn),連接這兩點(diǎn)即可完成粘連

魚體的分離;對于有多個魚體發(fā)生粘連的情況,需

要對凹區(qū)域進(jìn)行匹配。 首先對有粘連的魚苗圖像

進(jìn)行腐蝕操作,直到可以統(tǒng)計(jì)到的連通域數(shù)與魚

苗數(shù)相等時即可。 計(jì)算每塊區(qū)域的質(zhì)心坐標(biāo),并

按順序連接,計(jì)算出相鄰兩質(zhì)心的中點(diǎn)。 將在兩

質(zhì)心連線兩端,且包含有距離兩質(zhì)心中點(diǎn)最近點(diǎn)

的兩區(qū)域作為配對的凹區(qū)域,連接配對好后的凹

區(qū)域上的凹點(diǎn)即可完成分離。 對于上述的兩種串

聯(lián)粘連情況,處理結(jié)果如圖 5 所示。

對于并聯(lián)粘連魚苗圖像而言,常見的形式為

魚苗頭-頭相連和尾-尾相連,如圖 6a 所示。 此

72

第 6 期 馬志艷等:一種基于視覺的魚苗體長快速非接觸測量方法

時凹點(diǎn)數(shù) A 與魚苗數(shù) n 的關(guān)系是 A = n-1,與串聯(lián)

粘連情況不同,凹點(diǎn)并不是成對存在,僅僅利用凹

點(diǎn)無法將每條魚苗完全分離,需要借助到魚體關(guān)

鍵點(diǎn)。 首先對粘連魚苗凸封閉包進(jìn)行角點(diǎn)檢測,

得到凸包角點(diǎn),然后利用篩選后的凹區(qū)域 ( 圖

6b) 找到對應(yīng)凹點(diǎn) (圖 6c);最后利用凹點(diǎn)對角點(diǎn)

進(jìn)行最終篩選,分別計(jì)算所有凸包角點(diǎn)與各凹點(diǎn)

間的距離,保留與所有凹點(diǎn)距離之和最小的角點(diǎn),

分別連接此角點(diǎn)和所有凹點(diǎn)即可完成粘連分離

(圖 6d)。

圖 5 串聯(lián)粘連分離過程圖

Fig. 5 Image of the separating process of serially adhered fish

B

  C

 D

 E

 

圖 6 并聯(lián)粘連分離過程圖

Fig. 6 Image of the separating process of parallel adhered fish

2. 3 魚苗測量線提取與計(jì)算測量

在基于傳統(tǒng)圖像算法的魚苗尺寸測量研究

中,較為常見的就是提取到魚頭、魚尾點(diǎn),以兩點(diǎn)

間的連線作為尺寸測量線,或者以最小外接矩形

擬合魚體輪廓,將矩形長、短軸數(shù)值作為魚苗尺寸

測量依據(jù)。 這兩種方法在魚體處于筆直狀態(tài)下的

測量效果都不錯,但在魚體彎曲的情況下會存在

較大的誤差[27]

。 本研究將魚體輪廓中心坐標(biāo)點(diǎn)

的連線作為尺寸測量線,可以較好地應(yīng)對這種

情況。

物體骨架線提取可以通過圖像細(xì)化來實(shí)現(xiàn),

其中以 Zhang-Suen 算法的使用最為常見。 但該

算法的設(shè)計(jì)主要關(guān)注于細(xì)化主干部分,無法將端

點(diǎn)處的圖像細(xì)化成一條完整的線,當(dāng)直接應(yīng)用于

魚體圖像細(xì)化時,會出現(xiàn)魚頭、魚尾處線條丟失的

情況,得到的骨架線無法直接用于魚體體長測

量[28]

。 此外,部分粘連魚苗經(jīng)分離處理后魚體圖

像會丟失原始的對稱性,再經(jīng)過細(xì)化得到的骨架

線可能會出現(xiàn)細(xì)短分支,影響后續(xù)骨架點(diǎn)的選取。

針對上述問題,對 Zhang-Suen 算法進(jìn)行改進(jìn),具

體步驟如下。

(1)骨架單像素化

設(shè)某一像素點(diǎn)為 P0 ,在 P0 的 8 鄰域內(nèi),以 P0

正上方的像素點(diǎn)為起始點(diǎn),順時針依次設(shè)為 P1 ~

P8 ,前景點(diǎn)值為 1,背景點(diǎn)為 0。 在 Zhang-Suen 算

法的條件 2 里,只有這些 8 鄰域點(diǎn)像素值按順時

針方向由 0 轉(zhuǎn)為 1 的次數(shù)等于 1 時,才符合刪除

條件。 這也是造成細(xì)化后骨架線為非單像素寬的

主要原因[29]

。 針對這一問題,加入公式( 4) 條

件,當(dāng) P0 的 8 鄰域滿足任意一種條件時即可刪

除,以此來清除細(xì)化骨架斜線區(qū)域的冗余像素點(diǎn)。

(P1

×P7

= 1)&&(P4

= 0)

(P3

×P5

= 1)&&(P8

= 0)

(P5

×P7

= 1)&&(P2

= 0)

(P1

×P3

= 1)&&(P6

= 0)

ì

?

í

?

??

?

?

(4)

(2)去除細(xì)短分支

加入上述刪除條件后,魚苗圖像經(jīng)過細(xì)化變

為單像素寬的骨架。 將 8 鄰域內(nèi)只有一個白色像

素的骨架點(diǎn)定義為端點(diǎn),分支點(diǎn)為 8 鄰域內(nèi)黑色

到白色的過渡次數(shù)≥3 的骨架點(diǎn)。 分以下兩種情

73

漁 業(yè) 現(xiàn) 代 化 2024 年

況對骨架線進(jìn)行處理:

①分支點(diǎn)數(shù)= 1。 以分支點(diǎn)為起點(diǎn),各端點(diǎn)作

為終點(diǎn),利用廣度優(yōu)先搜索(BFS)算法進(jìn)行多次

搜索和路徑比較,最后只保留與分支點(diǎn)距離最遠(yuǎn)

端點(diǎn)的骨架路徑。

②分支點(diǎn)數(shù)≥2。 只保留分支點(diǎn)間的骨架線。

(3)骨架線補(bǔ)充

清除細(xì)短分支后,得到只有兩個端點(diǎn)的骨架

線。 對每條魚的二值化輪廓進(jìn)行遍歷,將輪廓上

距離最遠(yuǎn)的兩點(diǎn)提取為魚頭、魚尾點(diǎn),并將其與細(xì)

化后的骨架線端點(diǎn)一一連接,得到的骨架線即為

完整的體長測量線。

1 ? 3 ? 1 6 ? 0

 L4.fl

FLffl

R9

4E4

 3,Pffl
 fl F

ffl,83,P

ffl&1&fl& fl FU8,8,E$!fl1  ,Pffl&
/P

ffl4F>*

fl&fl1 
fl&C&

1&4&+3%)61#F>!3

D\"Effl

+fl&D/fflF1&,PfflD

fl&fl1 

+fl&L,Pffl4

Pffl4>

$L4.fl



ffl1&,Pffl4
!fflR, EF>F ED/ffl

F,&

R
R&4

,Pffl41&F,Pffl4 fl,K

#G4

D =6 Q%N? E $7C'MC6& F &hQJ$7 G m:QZ#

)  oUm:Q6&

)LJ  )U\\ VNHOHWRQ OLQH H[WUDFWLRQ

A1G

,Pffl4F>#G&1F+  L
 L
 LN*

,Pffl4

F>

 /

5ffl

flD / L
 L
 LNffl4N8;
5
4


-  LN

R
R,

flfflE
 LN,

5fflffl1

R9
6<

 LNA1GF+  LNffl4

ffl4>@

1DF

#G&

flE /

B

;4

 C

 D

 E



圖 7 魚苗骨架線提取

Fig. 7 Fry skeleton line extraction

為減小計(jì)算量,對提取到的骨架線進(jìn)行測量點(diǎn)

篩選,利用 2 階、3 階、4 階多項(xiàng)式對處理后的骨架線

進(jìn)行擬合,3 種擬合結(jié)果如圖 8a 所示(2 階、3 階、4

階多項(xiàng)式曲線顏色分別為藍(lán)、綠、紅)。 從中可以看

出 2 階多項(xiàng)式在魚頭、魚尾處的擬合效果較差,3、4

階多項(xiàng)式的擬合結(jié)果更符合魚苗姿態(tài)。 考慮到 3 階

多項(xiàng)式計(jì)算量小,選用 3 階多項(xiàng)式作為最終擬合曲

線[30]

,并等距選取 6 個測量點(diǎn),如圖 8b 所示。

B



 C





圖 8 多項(xiàng)式擬合和測量點(diǎn)選擇

Fig. 8 Polynomial fitting and measurement point selection

得到魚苗的骨架點(diǎn)像素坐標(biāo)后,從對齊后的

深度圖里獲取對應(yīng)點(diǎn)的深度信息,并通過相機(jī)

SDK 得到相機(jī)對應(yīng)配置流的光心坐標(biāo)(328. 166,

243. 515)和焦距(606. 144, 606. 207)。 在已知某

點(diǎn)像素坐標(biāo)的情況下,利用獲取到的相機(jī)參數(shù)和

深度值,求得在該點(diǎn)的相機(jī)坐標(biāo),實(shí)現(xiàn)坐標(biāo)點(diǎn)三維

坐標(biāo)轉(zhuǎn)換。 轉(zhuǎn)換公式如下:

Z = depth

X =

(u -cx)Z

f

x

Y =

(v -cy)Z

f

y

ì

?

í

?

?

?

?

?

?

(5)

式中:(X,Y,Z)是相機(jī)坐標(biāo)系下的三維坐標(biāo),( u,

v)是像素坐標(biāo),depth 是該像素點(diǎn)的深度值,( cx,

cy)是相機(jī)光心在像素坐標(biāo)系中的坐標(biāo),f

x、f

y 是相

機(jī)的焦距。

利用(5)中的公式即可計(jì)算出相機(jī)坐標(biāo)系下

對應(yīng)的三維坐標(biāo)點(diǎn) P( xi,yi,zi),由于限制了水層

深度,魚苗在垂直方向上的傾斜幅度較小,因此它

們幾乎保持水平狀態(tài),所提取到的相鄰骨架點(diǎn)間

z 值信息差異不大,為節(jié)省計(jì)算量,在計(jì)算兩相鄰

骨架點(diǎn)之間的歐式距離時只需要利用( xi,yi ) 即

可,所有相鄰骨架點(diǎn)間的歐氏距離的總和就是測

量魚體的體長,魚體體長的自動測量公式如下:

L = ∑

n-1

i = 1

xi

-xi+1

( )

2 + yi

-yi+1

( )

2

(6)

74

第 6 期 馬志艷等:一種基于視覺的魚苗體長快速非接觸測量方法

3 結(jié)果與分析

3. 1 魚苗圖像分割結(jié)果

為驗(yàn)證所述方法分割效果,設(shè)計(jì)魚苗圖像分

割試驗(yàn)。 利用上述圖像采集裝置拍攝明、暗兩種

條件下的兩組魚苗圖像,使用本方法進(jìn)行圖像分

割對比直接二值化處理效果,以人工勾畫區(qū)域?yàn)?/p>

魚體實(shí)際面積。 得到分割效果對比圖如圖 9 所

示,可以明顯看到,經(jīng)圖像增強(qiáng)和濾波處理后,再

進(jìn)行二值化得到的魚體輪廓更加完整。 試驗(yàn)得到

明、暗兩種條件下的分割 IoU 值如表 1 所示,從表

1 中數(shù)據(jù)顯示,經(jīng) Retinex 算法和小波變換處理

后,光照強(qiáng)弱程度對魚體分割效果影響不大,而未

經(jīng)處理的魚體圖像分割效果受光照環(huán)境影響嚴(yán)

重,在光照充足環(huán)境下分割效果明顯優(yōu)于光照

不足。

B

 C

  D

 

圖 9 魚體分割效果對比

Fig. 9 Comparison of fish body segmentation effect

表 1 不同條件下的魚體分割 IoU

Tab. 1 Fish segmentation IoU under different conditions

試驗(yàn)場景

預(yù)處理后的

分割 IoU/ %

未進(jìn)行預(yù)處理的

分割 IoU/ %

光照充足 90. 5 84. 7

光照不足 90. 8 77. 2

3. 2 單魚測量對比試驗(yàn)

隨機(jī)撈取 10 條魚,利用直尺人工測量魚吻端

到尾鰭基部的長度作為體長標(biāo)準(zhǔn)值,并單獨(dú)對每

條魚采集不同角度、位置的 10 張圖像,分別使用

本方法和以魚頭、魚尾點(diǎn)連線作為魚體尺寸線的

測量方法來測量這 10 條魚的尺寸,以此對比本文

方法和其他 2D 模式測量方法在彎曲魚體尺寸測

量上的效果。 其中單次測量結(jié)果如圖 10 所示,從

圖中可以明顯看到所述方法對于彎曲魚體尺寸線

有更好的擬合效果,而利用魚頭、魚尾點(diǎn)連線的近

似尺寸線測量彎曲魚體時,明顯會出現(xiàn)較大的

誤差。

試驗(yàn)后,得到的魚體尺寸測量相對誤差如圖

11 所示(本研究方法稱為骨架法,魚頭魚尾點(diǎn)連

線測量法稱為兩點(diǎn)法) 。 從圖 11 中可以直觀地

圖 10 骨架法與兩點(diǎn)法對比

Fig. 10 Comparison of the skeleton method with

two-point method

看到骨架法測量得到的體長相對誤差數(shù)據(jù)分布較

為集中,總體落在-4. 143% ~ 2. 373%范圍內(nèi),平

均相對誤差為 2. 307%。 而僅利用魚頭、魚尾連

線作為尺寸線的測量方法因?yàn)槭艿紧~體形態(tài)復(fù)雜

多變的影響,得到的體長相對誤差數(shù)據(jù)分布相對

分散,總體落在-12. 857% ~ 1. 111%范圍內(nèi),平均

相對誤差為 5. 017%。 相較于僅以魚頭、魚尾點(diǎn)

連線計(jì)算的兩點(diǎn)法,本方法對自由游動的魚苗體

長有更高的測量精度。

75

漁 業(yè) 現(xiàn) 代 化 2024 年

 4



0

1 2 3 4 5 6 7 8 9 10

4

8

14

16















注:箱線圖橫坐標(biāo)為不同魚編號;每條箱線對應(yīng)同一條魚的

若干計(jì)算結(jié)果;箱線的中心矩形代表測量結(jié)果的四分位

數(shù)范圍;中心矩形內(nèi)部的橫線和點(diǎn)劃線分別代表計(jì)算結(jié)

果的中位數(shù)和平均值;頂部和底部橫線代表測量結(jié)果的

最大和最小值

圖 11 單魚尺寸測量相對誤差箱線圖

Fig. 11 Box line plot of relative error of single-fish

size measurements

3. 3 多魚測量試驗(yàn)

為驗(yàn)證本方法在實(shí)際測量環(huán)境中的實(shí)用性和

穩(wěn)定性,設(shè)計(jì)多魚試驗(yàn)場景,隨機(jī)撈取尺寸范圍在

20~100 mm、不定數(shù)目的魚苗,人工測量尺寸后放

入檢測池,利用本方法進(jìn)行 6 次隔時重復(fù)測量,將

人工測量尺寸和本方法測量得到的尺寸數(shù)值均按

從大到小排序,把位序一樣的一組尺寸當(dāng)作是同

一條魚,共進(jìn)行 10 組試驗(yàn)。 試驗(yàn)測量數(shù)據(jù)如表 1

所示,利用每組測量結(jié)果的平均絕對誤差(Eabs )

和平均相對誤差( Erel ) 來衡量測量算法的準(zhǔn)確

度,計(jì)算公式如式(7)(8)所示:

Eabs

=

1

n 0∑< i≤n

| Mi

-Ai

| (7)

Erel

=

1

n 0∑< i≤n

Mi

-Ai

Ai

× 100% (8)

式中:n 表示每組魚苗測量總次數(shù);Mi 表示算法

自動測量尺寸,Ai 表示人工測量尺寸。

從表 2 可以看出,針對隨機(jī)抓取的不同魚苗,

當(dāng)出現(xiàn)輕微粘連或無粘連情況時,利用本文所述

方法測量得到的 Eabs 和 Erel 均保持在一個固定的

范圍內(nèi),說明所述測量方法對于不同尺寸魚苗具

有一致的精度和可靠性。 其中,3、10 組 Eabs 波動

較大(測量數(shù)據(jù)如圖 12),主要原因是魚苗分離后

輪廓不完整,導(dǎo)致提取到的骨架線與實(shí)際體長線

不符。 此外,實(shí)驗(yàn)室內(nèi)人工抓取并測量一條魚苗

的時間為 3 s,本方法單次測量運(yùn)行時間在 0. 5 s

左右,在試驗(yàn)中尺寸測量最大偏差值為 3. 6 mm,

測量結(jié)果與人工測量相比差異性不大,但測量效

率更高。

表 2 多魚試驗(yàn)尺寸測量結(jié)果

Tab. 2 Multi-fish test size measurements

測量

組數(shù)

平均絕對

誤差 Eabs

/ mm

平均相對

誤差 Erel

/ %

平均

耗時/ s

1 1. 44 3. 71 0. 46

2 1. 07 2. 42 0. 46

3 1. 93 3. 32 0. 47

4 1. 60 4. 14 0. 47

5 1. 65 4. 31 0. 46

6 1. 56 4. 39 0. 45

7 1. 59 4. 55 0. 50

8 1. 85 5. 28 0. 50

9 1. 57 4. 76 0. 51

10 1. 90 5. 53 0. 51

注:程序編譯器為 Pycharm,表中平均耗時為每組 6 次測

量所用時間的平均值,單次測量時間為 time 模塊所記

錄代碼的運(yùn)行時長

B



 C





圖 12 多魚試驗(yàn)尺寸測量結(jié)果

Fig. 12 Multi-fish test size measurements

76

第 6 期 馬志艷等:一種基于視覺的魚苗體長快速非接觸測量方法

3. 4 誤差分析

對上述兩個試驗(yàn)場景中出現(xiàn)的最大誤差數(shù)據(jù)

圖像進(jìn)行分析,發(fā)現(xiàn)測量誤差主要源于以下幾個

方面。一方面,測量誤差與圖像中魚苗的粘連程

度有關(guān),如圖 13a 和 13b 所示。 對于單尾魚苗,本

方法可以很好地測量其體長,輕微粘連的多尾魚

苗經(jīng)分離處理后測量結(jié)果影響不大,但對于發(fā)生

深度方向重疊的“X”型魚苗,算法會將其當(dāng)作串

聯(lián)粘連處理,經(jīng)分離后會出現(xiàn)魚體輪廓丟失或異

常增大的情況,在這種情況下利用本算法測量得

到的數(shù)據(jù)會出現(xiàn)較大的誤差。

另一方面,與魚苗前景的不準(zhǔn)確分割有關(guān)。

人工測量魚體體長時考慮到魚尾鰭的特殊性,將

魚吻端到尾鰭基部的長度作為魚體體長,由于本

研究使用固定閾值法對魚體進(jìn)行分割,且未進(jìn)行

任何打光處理,雖然使用圖像增強(qiáng)算法加強(qiáng)了魚

體與背景之間的邊緣特征,使得算法能將魚苗從

背景中分割出來,但無法準(zhǔn)確地劃分出魚體與尾

鰭的界限,致使得到的魚體與規(guī)定測量區(qū)間的魚

體存在差異,進(jìn)而影響到測量值,如圖 13c 所示。

B

  C

 D



圖 13 誤差原因分析

Fig. 13 Analysis of error causes

4 結(jié)論

針對水產(chǎn)養(yǎng)殖中,人工測量魚苗尺寸效率低、

損耗大,現(xiàn)有視覺測量方法無法應(yīng)對魚體彎曲、魚

苗粘連等情況的問題,提出了一種基于視覺的魚

苗快速非接觸尺寸測量方法。 在預(yù)處理階段對采

集到的魚苗圖像進(jìn)行增強(qiáng)、去噪處理,較好地解決

了傳統(tǒng)分割算法受環(huán)境因素影響大的問題,提高

了魚體前景的分割準(zhǔn)確率;對存在粘連的魚苗進(jìn)

行粘連狀況分析、判斷,再基于凹點(diǎn)完成分離,保

證了魚苗個體的獨(dú)立性、完整性;利用改進(jìn)后的

Zhang-Suen 算法提取魚體骨架線,并通過三階多

項(xiàng)式擬合篩選測量點(diǎn),最后結(jié)合深度信息進(jìn)行三

維坐標(biāo)轉(zhuǎn)化,實(shí)現(xiàn)了魚苗體長的自動、快速測量。

經(jīng)試驗(yàn)表明,所述測量方法相較于僅以魚頭、魚尾

連線類的兩點(diǎn)測量方法在彎曲魚體體長測量上更

有優(yōu)勢,對于存在部分粘連的魚苗,本方法也能很

好地完成分離和體長測量。 其中,測量總平均絕

對誤差為 1. 62 mm,平均相對誤差為 4. 24%,尺寸

測量最大偏差為 3. 6 mm,為水產(chǎn)養(yǎng)殖中魚苗尺寸

無接觸測量提供了參考。 □

參考文獻(xiàn)

[1] SABERIOON M, GHOLIZADEH A, CISAR P, et al.

Application of machine vision systems in aquaculture with

emphasis on fish: state-of-the-art and key issues[J]. Reviews in

Aquaculture, 2017,9(4): 369-387.

[2] ZHAO S L, ZHANG S, LIU J C, et al. Application of machine

learning in intelligent fish aquaculture: A review [ J ].

Aquaculture, 2021,540: 736724.

[3] 周曉林,馬超,王兆平,等. 基于機(jī)器視覺的鯉、鯽魚性狀測量

系統(tǒng) 的 設(shè) 計(jì) 與 實(shí) 現(xiàn) [ J ]. 漁 業(yè) 現(xiàn) 代 化, 2022, 49 ( 6 ):

108-117.

[4] 單佳楠,鄭曉偉. 基于機(jī)器視覺技術(shù)的金鯧魚質(zhì)量預(yù)測研究

[J]. 漁業(yè)現(xiàn)代化, 2023,50(2): 58-66.

[5] 涂雪瀅,錢程,劉世晶,等. 基于 ResNet34 模型的大菱鲆魚苗

識別計(jì)數(shù)方法[J]. 漁業(yè)現(xiàn)代化, 2024,51(1): 90-97.

[6] 袁紅春,史經(jīng)偉. 基于改進(jìn) YOLOv7- tiny 和動態(tài)檢測門的金

槍魚自動檢測與計(jì)數(shù)研究[ J]. 漁業(yè)現(xiàn)代化, 2023,50( 6):

74-83.

[7] 馮雙星,王丁弘,潘良,等. 基于輕量型 S3D 算法的魚類攝食

強(qiáng)度識別系統(tǒng)設(shè)計(jì)與試驗(yàn)[ J]. 漁業(yè)現(xiàn)代化, 2023,50( 3):

79-86.

[8] 雷幫軍,裴斐,吳正平,等. 改進(jìn)的 DeepLabCut 魚類游動軌跡

提取[J]. 漁業(yè)現(xiàn)代化, 2024,51(2): 61-69.

[9] 張洪交,張存喜,王瑞,等. 基于圖像處理和改進(jìn) DenseNet 網(wǎng)

絡(luò)的小黃魚新鮮度識別[ J]. 南方水產(chǎn)科學(xué), 2024,20( 2):

77

漁 業(yè) 現(xiàn) 代 化 2024 年

133-142.

[10]ISSAC A, DUTTA M K, SARKAR B. Computer vision based

method for quality and freshness check for fish from segmented

gills[J]. Computers and Electronics in Agriculture, 2017,139:

10-21.

[11]郭卜瑜,于佳,王姣姣,等. 雙目視覺用于魚苗尺寸測量[ J].

光學(xué)技術(shù), 2017,43(2): 153-157.

[12]周暉. 基于深度學(xué)習(xí)的魚類體尺測量研究[D]. 上海:上海海

洋大學(xué), 2022.

[13]CHEN S, WANG Q B, HE X L, et al. An automatic method of

fish length estimation using underwater stereo system based on

LabVIEW [ J ]. Computers and Electronics in Agriculture,

2020,173: 105419.

[14]李振波,鈕冰姍,彭芳,等. 基于可見光譜的魚苗體長估測方

法研究[J]. 光譜學(xué)與光譜分析, 2020,40(4): 1243-1250.

[15]HUANG K W, LI Y, SUO F Y, et al. Stereo vison and MaskRCNN segmentation based 3D points cloud matching for fish

dimension measurement[C] / / 39th Chinese Control Conference

(CCC), Piscataway, NJ: IEEE ,2020: 6345-6350.

[16]李艷君, 黃康為, 項(xiàng)基. 基于立體視覺的動態(tài)魚體尺寸測量

[J]. 農(nóng)業(yè)工程學(xué)報, 2020,36(21): 220-226.

[17]LIU H C, MA X, YU Y N, et al. Application of deep learningbased object detection techniques in fish aquaculture: A review

[ J ]. Journal of Marine Science and Engineering, 2023, 11

(4): 867.

[18]YANG X T, ZHANG S, LIU J T, et al. Deep learning for smart

fish farming: applications, opportunities and challenges [ J].

Reviews in Aquaculture, 2021,13(1): 66-90.

[19]索飛揚(yáng). 基于水下視覺智能的魚類尺寸實(shí)時測量系統(tǒng)[D].

杭州:浙江大學(xué), 2022.

[20]田寧,程莉,元海文,等. 基于 Retinex 模型的水下圖像增強(qiáng)方

法[J]. 中國科技論文, 2022,17(11): 1281-1288.

[21]陳振婭,劉增力. 基于小波變換的水下圖像去噪方法[ J]. 現(xiàn)

代電子技術(shù), 2023,46(23): 43-47.

[22]白云飛,楊夢磊,張翔,等. 多蜜蜂重疊圖像的凹點(diǎn)匹配分割

算法[J]. 中國農(nóng)機(jī)化學(xué)報, 2020,41(6): 188-193.

[23]馬正華,申根榮,呂繼東. 基于極限腐蝕的重疊蘋果果實(shí)分

割方法[J]. 江蘇農(nóng)業(yè)學(xué)報, 2017,33(6): 1372-1378.

[24]魏亞輝,黃耿楠,吳福培. 基于改進(jìn)分水嶺算法的蘋果識別

方法[J]. 包裝工程, 2021,42(8): 255-260.

[25]張偉進(jìn),王福順,孫小華,等. 傳統(tǒng)圖像分割算法在農(nóng)作物籽

粒考種應(yīng)用中的研究進(jìn)展[ J]. 中國農(nóng)機(jī)化學(xué)報,2024,45

(2):280-287.

[26]周典卓,譚鶴群,朱明,等. 采用邊緣曲率進(jìn)行圖像分割的高

密度魚苗計(jì)數(shù)方法 [ J]. 農(nóng)業(yè)工程學(xué)報, 2023, 39 ( 21):

258-268.

[27]李振波,趙遠(yuǎn)洋,楊普,等. 基于機(jī)器視覺的魚體長度測量研

究綜述[J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2021,52(增刊 1): 207-218.

[28]孫澤源. 基于計(jì)算機(jī)視覺的魚體長度測量技術(shù)研究[D]. 大

連:大連理工大學(xué), 2022.

[29]常慶賀,吳敏華,駱力明. 基于改進(jìn) ZS 細(xì)化算法的手寫體漢

字骨架提取[ J]. 計(jì)算機(jī)應(yīng)用與軟件, 2020,37 ( 7): 107-

113, 164.

[30]周佳龍,季柏民,倪偉強(qiáng),等. 基于三維姿態(tài)擬合的非接觸式

紅鰭東方鲀?nèi)L精準(zhǔn)估算方法[J]. 農(nóng)業(yè)工程學(xué)報, 2023,39

(4): 154-161.

78

第 6 期 馬志艷等:一種基于視覺的魚苗體長快速非接觸測量方法

A vision-based method for rapid non-contact measurement of fish length

MA Zhiyan

1,2

,WU Jiajun

1

,ZHOU Minggang

1,2

,ZHANG Shuxia

1

(1 Hubei University of Technology, Wuhan 430068, Hubei,China ;

2 Hubei Province Agricultural Machinery Equipment Intelligent Engineering Technology Research Center,

Wuhan 430068, Hubei,China)

Abstract:It’s crucial to obtain the dimensions of fish fry accurately and quickly in aquaculture. Traditional

manual sampling and measurement are time-consuming and labor-intensive and cannot meet the demands of

smart aquaculture development. A vision-based method for rapid measurement of fish length is proposed for

grass carp fry with length distribution from 20 to 100 mm in this paper. It allows for quick and accurate length

measurement of test fish fry without reference and in a non-contact manner. Firstly, an RGB-D camera is used

to capture depth information and gray images of the target. Those images are processed to segment the target

fish from the background. For the case of overlapping fish, concave regions and points are extracted to

separate individual fish based on concave points. An improved thinning algorithm is then used to extract the

fish skeleton, and key skeleton points are selected. Finally, by combining the image depth information, the

three-dimensional coordinates of the skeleton points are transformed,allowing for the accurate measurement of

the total length of the fish fry. Experimental result shows that the proposed method achieves an average

absolute error of 1. 57 mm and an average relative error of 4. 39% in the length measurement of the test fish.

It provides a non-contact measurement method that supports applications such as graded feeding and intelligent

feeding in the aquaculture industry.

Key words: fish fry grading; visual measurement; adhesion segmentation; thinning algorithm; depth

information

79

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. 009 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

蘇碧儀,梅海彬,袁紅春. 基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法[J]. 漁業(yè)現(xiàn)代化,2024,51(6):80-90.

收稿日期:2024-07-11

基金項(xiàng)目:國家自然科學(xué)基金“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(4177614)”

作者簡介:蘇碧儀(1999—),女,碩士研究生,研究方向:人工智能應(yīng)用。 E-mail:951802382@ 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 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

(上海海洋大學(xué)信息學(xué)院,上海 201306)

摘要:水產(chǎn)養(yǎng)殖管理中,精準(zhǔn)分割圖像中的魚類對生長管理至關(guān)重要,但水下環(huán)境復(fù)雜,圖像質(zhì)量低,現(xiàn)有分

割方法面臨精度低、泛化能力弱等挑戰(zhàn)。 提出了一種改進(jìn) Segformer 模型(FT-Segformer,簡稱 SegFT)的水下

魚類圖像分割方法。 首先,利用四層 transformer block 提取輸入圖像高分辨率到低分辨率的不同尺度特征。

在解碼器部分,借助特征金字塔融合機(jī)制增強(qiáng)上下文感知;然后,利用轉(zhuǎn)置卷積還原特征圖維度,進(jìn)一步提升

特征學(xué)習(xí)的效果;最后,構(gòu)建了一個用于模型評估的真實(shí)水下養(yǎng)殖環(huán)境的錦鯉數(shù)據(jù)集(UAGF),并在該數(shù)據(jù)

集上進(jìn)行相關(guān)驗(yàn)證試驗(yàn)。 結(jié)果顯示:該模型在 mIoU、mPA 和 mRecall 等評估指標(biāo)上均優(yōu)于現(xiàn)有方法,分別提

升了 1. 76%、0. 39%和 0. 19%,在 mIoU 指標(biāo)上, SegFT 分別超越了 U-Net、PSPNet、HRNet、Deeplabv3+模型

1. 92、3. 73、3. 07 和 3. 58 個百分點(diǎn)。 研究表明,所提出的方法在復(fù)雜的水下環(huán)境下,具有顯著的有效性和魯

棒性。 分割性能上優(yōu)于現(xiàn)有的監(jiān)督圖像分割方法。

關(guān)鍵詞:智慧水產(chǎn)養(yǎng)殖;圖像分割;特征融合;轉(zhuǎn)置卷積;深度學(xué)習(xí)

中圖分類號:S 969. 39; TP 391. 4 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0080-011

智慧養(yǎng)殖已成為水產(chǎn)養(yǎng)殖業(yè)轉(zhuǎn)型升級的重要

動力,如何高效、精準(zhǔn)地管理魚類生長環(huán)境、監(jiān)測

魚類生長狀態(tài),成為提升養(yǎng)殖效益和保障水產(chǎn)品

質(zhì)量的關(guān)鍵[1]

。 在水產(chǎn)養(yǎng)殖過程中,有必要準(zhǔn)確

獲取魚的形狀、大小和數(shù)量,提取這些信息的關(guān)鍵

步驟在于將魚類目標(biāo)從圖像背景中分割,其分割

精度決定信息提取的準(zhǔn)確程度。

近年來,利用深度學(xué)習(xí)技術(shù)處理圖像成為研

究熱點(diǎn)[2]

。 深度學(xué)習(xí)在魚類識別和分割上的應(yīng)

用,有助于漁民精準(zhǔn)掌握魚類生長信息與數(shù)量,優(yōu)

化漁場管理與生產(chǎn)效率[3-6]

。 基于深度學(xué)習(xí)的水

產(chǎn)養(yǎng)殖魚類圖像分割技術(shù),在應(yīng)對光線變化、水質(zhì)

影響、物體遮擋以及魚類個體特性差異等挑戰(zhàn)[7]

時,常因圖像質(zhì)量的下降而面臨分割精度與魯棒

性受損的問題,限制了其在水下環(huán)境中的應(yīng)用。

因此,實(shí)現(xiàn)水下魚類圖像精確分割的研究具有重

要實(shí)踐意義與挑戰(zhàn)性。

岳有軍等[8]提出 ARD-PSPNet 模型,采用深

度可分離卷積減少計(jì)算量,結(jié)合 R-MCN 結(jié)構(gòu)有

效利用淺層特征,同時優(yōu)化損失函數(shù),實(shí)現(xiàn)更精準(zhǔn)

的分割邊界界定。 王紅君等[9] 結(jié)合空洞卷積和

SENet 優(yōu)化的 Deeplabv3+,在保持細(xì)節(jié)信息的同

時,通過特征重標(biāo)定提高了模型對重要特征的敏

感度,從而提高了分割的準(zhǔn)確性和效率。 Li 等[10]

提出了一種基于像素閾值分割的魚類圖像預(yù)處理

方法,通過重新定義閾值并融合來增強(qiáng)圖像特征。

同 時, 提 出 多 尺 度 注 意 力 特 征 提 取 模 塊

(MAFEM),結(jié)合自適應(yīng)通道注意力機(jī)制和混合

擴(kuò)展卷積金字塔池模塊,以加強(qiáng)圖像高級語義特

征的提取。 Chen 等[11]提出了一種多尺度殘差注

意力 網(wǎng) 絡(luò) ( MSR - Net ) 分 割 算 法, 該 算 法 以

ResNet50 殘差網(wǎng)絡(luò)作為骨干特征提取網(wǎng)絡(luò),引入

了多尺度通道注意力機(jī)制,使得網(wǎng)絡(luò)模型能夠保

留更完整的樣本邊緣信息。 Yu 等[12] 提出了一種

基于 Mask R-CNN 的魚類圖像分割和魚體形態(tài)特

征指標(biāo)測量的方案。 首先,利用自制的圖像采集

第 6 期 蘇碧儀等:基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法

設(shè)備捕獲魚類圖像。 然后,對魚類圖像進(jìn)行預(yù)處

理和標(biāo)注,并輸入到 Mask R-CNN 中進(jìn)行訓(xùn)練。

最后,利用訓(xùn)練好的模型對魚類圖像進(jìn)行分割,以

獲得魚類的形態(tài)特征指標(biāo)。 Nezla 等[13] 應(yīng)用語義

圖像分割探索了水下物體的實(shí)例分割任務(wù),他們

提出的模型以基于 UNet 的語義分割網(wǎng)絡(luò)為基本

框架,將其擴(kuò)展到對水下魚類知識圖像數(shù)據(jù)集的

精確分割。 通過選擇合適的超參數(shù)對該模型進(jìn)行

訓(xùn)練和微調(diào)。 Han 等[14]提出 IST-PSPNet 水下魚

類分割方法,通過迭代注意力特征融合機(jī)制挖掘

多尺度特征,利用快速索引加權(quán)激活的軟池化減

少計(jì)算并保留特征信息。 Xu 等[15] 提出了一種新

型的多尺度 Transformer 網(wǎng)絡(luò)(MulTNet),該網(wǎng)絡(luò)

結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和 Transformer 的優(yōu)勢,有效

提高了海洋生物分割的準(zhǔn)確性。

盡管這些研究在特征提取和表示方面取得了

進(jìn)展,但模型在不同場景下的泛化能力仍有待提

高。 特別是當(dāng)面對復(fù)雜的水下環(huán)境時,模型的穩(wěn)

定性和魯棒性可能受到影響,另外,大多數(shù)研究所

采用的特征提取模型為卷積網(wǎng)絡(luò),無法為后續(xù)魚

的數(shù)量估計(jì)提供支持。

本研究提出了一種基于 Segformer

[16] 和特征

融合的水下養(yǎng)殖魚類圖像分割方法,即特征金字

塔網(wǎng)絡(luò)( FPN) + 轉(zhuǎn)置卷積 ( FT - Segformer,簡稱

SegFT)。 通過數(shù)據(jù)增強(qiáng)技術(shù)模擬水下拍攝成像,

利用 Segformer 的魯棒性和特征金字塔 FPN

[17] 多

尺度特征融合優(yōu)勢,彌補(bǔ)邊緣分割不足,并利用轉(zhuǎn)

置卷積[18]進(jìn)一步保留空間細(xì)節(jié)信息,提升模型對

多種尺寸魚類實(shí)例的適應(yīng)能力。

1 方法

1. 1 數(shù)據(jù)集

本研究創(chuàng)建了一個水下養(yǎng)殖環(huán)境中觀賞錦鯉

圖像的數(shù)據(jù)集(UAGF),該數(shù)據(jù)集源于上海海洋

大學(xué)露天養(yǎng)殖池中拍攝的錦鯉圖像。 錦鯉作為養(yǎng)

殖金魚中的代表性品種,體長 10 ~ 35 cm,體質(zhì)量

1. 0~3. 5 kg,充分展現(xiàn)了不同生長階段的形態(tài)特

征。 該水池區(qū)域約為 200 m

2

,水深 1. 2 m,共養(yǎng)殖

錦鯉約 300 條,水體 pH 7. 5,溶氧質(zhì)量濃度 6 mg /

L,這一養(yǎng)殖規(guī)模與參數(shù)符合魚類養(yǎng)殖場標(biāo)準(zhǔn),能涵

蓋自然條件下水下養(yǎng)殖魚類所面臨的光照、水質(zhì)、

空間分布等關(guān)鍵因素。 在 13:00 至 18:00 期間,利

用自拍桿固定水下相機(jī) GoPro RX0 沉入水中,以

1 920 × 1 080 分辨率和 50 幀/ s 錄制魚類視頻。 將

每段視頻轉(zhuǎn)換為 10 幀圖像,共得到 23 000 張?jiān)?/p>

圖像。 經(jīng)篩選去除無魚或魚被遮擋圖像后,保留

6 583 張具有清晰魚體輪廓且涵蓋不同光照、水

渾濁度和魚密度的圖像,以此構(gòu)建了 UAGF 數(shù)據(jù)

集。 圖 1 第一列展示了部分原始圖像。

與 Uieb

[19]

、 Deepfish

[20]

、 Fish4knowledge

[21]

、

Labeled Fishes in the Wild

[22]等其他公開的水下數(shù)

據(jù)集相比,本研究中的 UAGF 數(shù)據(jù)集具有以下特

點(diǎn):UAGF 能夠模擬野生湖泊、生產(chǎn)和養(yǎng)殖環(huán)境。

相較于海洋環(huán)境,其水質(zhì)渾濁、可見度低,數(shù)據(jù)采

集難度與技術(shù)要求更高。 因此,本研究數(shù)據(jù)集在

養(yǎng)殖環(huán)境監(jiān)測中具有較高真實(shí)性和代表性,具有

更高的技術(shù)難度和挑戰(zhàn)性,對處理和分析的網(wǎng)絡(luò)

性能要求也更高。

水下拍攝條件復(fù)雜,存在低對比度、光照不

佳、色彩失真及噪聲等問題,這些因素制約了圖像

質(zhì)量和計(jì)算機(jī)視覺任務(wù)的表現(xiàn)。 本研究利用圖像

增強(qiáng)技術(shù)以優(yōu)化圖像質(zhì)量并提升多樣性,對初始

圖像實(shí)施了一系列傳統(tǒng)增強(qiáng)手段,包括色彩調(diào)整

(亮度、飽和度、色調(diào)、對比度變化)與隨機(jī)直方圖

均衡化,以及模擬不同天氣不同時刻水下光源條

件的隨機(jī)白平衡處理,顯著增強(qiáng)了圖像的多樣性

和表現(xiàn)力,如圖 1 第 2 列所示。

為進(jìn)一步提升模型的泛化與魯棒性,針對水

下養(yǎng)殖魚類圖像分割任務(wù),研究中引入高斯噪聲

加強(qiáng)模擬實(shí)際水體渾濁、低光及攝像等設(shè)備噪聲

等復(fù)雜因素。 這一策略不僅豐富了圖像特征表

達(dá),還通過反映真實(shí)世界的噪聲干擾,促使模型學(xué)

習(xí)在多種環(huán)境條件下識別目標(biāo),圖 1 第 3 列展示

了噪聲增強(qiáng)的實(shí)例。

為了全面評估每種方法的性能,本研究進(jìn)行

了兩組不同噪聲設(shè)置的試驗(yàn),將 UAGF 分為數(shù)據(jù)

集 1 和數(shù)據(jù)集 2,以評估這些方法在有/ 無噪聲影

響下的分割能力。 具體試驗(yàn)設(shè)置如下:

(1)數(shù)據(jù)集 1 為 6 583 張不經(jīng)過處理的原始

圖像。 這作為基準(zhǔn)試驗(yàn),用于比較評估每種方法

在原始數(shù)據(jù)上的性能。 將初始圖像按照 8 ∶ 1 ∶ 1

的比例劃分為訓(xùn)練集 1、驗(yàn)證集 1 和測試集 1。

(2)數(shù)據(jù)集 2 包含 2 583 張未經(jīng)處理的圖像、

2 000 張經(jīng)過噪聲處理的圖像和 2 000 張經(jīng)過顏

81

漁 業(yè) 現(xiàn) 代 化 2024 年

色變換處理的圖像。 本研究將數(shù)據(jù)集 2 按照 8 ∶

1 ∶ 1 的比例劃分為訓(xùn)練集 2、驗(yàn)證集 2 和測試集

2。 數(shù)據(jù)集 2 用于評估在存在失真和噪聲情況下

的每種方法分割性能。

  



圖 1 不同處理操作效果展示

Fig. 1 Display of effects of different treatment operations

1. 2 網(wǎng)絡(luò)總體架構(gòu)

所提出的方法 SegFT 基于 Segformer 網(wǎng)絡(luò)構(gòu)

建,如圖 2 所示,包括由 4 層 Transformer block 結(jié)

構(gòu)組成的編碼器和由 FPN 與轉(zhuǎn)置卷積構(gòu)成的解

碼器。 輸入圖像經(jīng)過 4 層 Transformer block 結(jié)構(gòu)

提取到多尺度特征,解碼時通過特征金字塔融合

機(jī)制增強(qiáng)多尺度魚類特征融合與上下文感知,保

留精細(xì)邊緣,轉(zhuǎn)置卷積恢復(fù)特征圖維度,優(yōu)化特征

學(xué)習(xí)。

Segformer 是一種在語義分割領(lǐng)域廣泛認(rèn)可

的深度學(xué)習(xí)模型。 它融合了 Transformer 與輕量

級多 層 感 知 機(jī) ( MLP ) 解 碼 器。 如 圖 3 所 示,

Segformer 采用分層 Transformer 編碼器生成多尺

度特征,并摒棄了傳統(tǒng)復(fù)雜的解碼器設(shè)計(jì),轉(zhuǎn)而采

用了一種高效的 MLP 解碼器機(jī)制,有效聚合各層

信息,融合局部與全局注意力,展現(xiàn)強(qiáng)大表征能

力。 使其非常適合本研究的水下魚類圖像分割

任務(wù)。

Segformer 處理圖像的過程如下:編碼器中的

MiT Transformer 模塊使用重疊塊嵌入(OPE)結(jié)構(gòu)

作為輸入。 OPE 通過標(biāo)準(zhǔn)卷積層將二維特征展

開為一維特征,然后將這些特征輸入到 EMSA

(Efficient Multi - head Self -Attention) 和 MixFFN

(Mixed Feedforward Network)層中。 EMSA 層實(shí)現(xiàn)

了高效的多頭自注意力計(jì)算,用于特征增強(qiáng)。 與

傳統(tǒng)的位置編碼方法不同,在兩個線性變換的正

常前饋層之間添加了一個 3?3 的二維卷積層,以

融合空間位置信息。

82

第 6 期 蘇碧儀等:基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法

圖 2 網(wǎng)絡(luò)總體架構(gòu)

Fig. 2 Overall network architecture

Transformer block 通過疊加多個 EMSA 模塊

與 MixFFN 單元,實(shí)現(xiàn)了網(wǎng)絡(luò)深度的增強(qiáng),能夠捕

獲更為詳盡的細(xì)節(jié)信息與高級語義特征。 與眾多

網(wǎng)絡(luò)架構(gòu)相異,MiT 采取了一種獨(dú)特的策略,即在

各個獨(dú)立的尺度上直接執(zhí)行自注意力機(jī)制,而非

先整合跨尺度的信息后再統(tǒng)一進(jìn)行自注意力計(jì)

算,這一設(shè)計(jì)旨在更靈活地處理多尺度特征,使得

每個尺度上的自注意力計(jì)算更加純凈且高效。 輸

入圖像經(jīng)過 4 層 Transformer block 會生成不同分

辨率的特征圖。 這些特征圖在不同層次上包含了

從粗到細(xì)的特征信息,為后續(xù)的 FPN 機(jī)制提供了

豐富的多尺度輸入。

圖 3 Segformer 網(wǎng)絡(luò)架構(gòu)

Fig. 3 Structure of the Segformer

1. 3 特征融合改進(jìn)

傳統(tǒng)圖像分割模型常局限于深度卷積網(wǎng)絡(luò)的

最終特征圖,其高下采樣率(如 16 或 32 倍)常導(dǎo)

致小物體信息在特征圖上丟失,顯著影響小物體

檢測效果。 這是因?yàn)橄虏蓸訙p少了小物體的像

素,從而導(dǎo)致相關(guān)信息的丟失。

為了解決這一問題,特征金字塔網(wǎng)絡(luò)(FPN)

結(jié)構(gòu)引入了特征融合機(jī)制。 如圖 4 所示,該結(jié)構(gòu)

包含兩條路徑:自底向上和自頂向下。 自底向上

路徑代表主干網(wǎng)絡(luò)前向特征提取過程,而自頂向

下路徑則表示對最后一層特征圖的上采樣操作。

沿著這兩條路徑,利用 1?1 卷積對主干提取的每

一層特征圖進(jìn)行通道壓縮或擴(kuò)張,使其與經(jīng)過上

采樣后的深層特征圖具有相同的空間維度,將深

83

漁 業(yè) 現(xiàn) 代 化 2024 年

層的高級特征上采樣后與淺層的低級特征以對應(yīng)

元素相加和的方式融合。 這種設(shè)計(jì)有效地緩解了

多尺度問題,使得 FPN 在小物體檢測方面能夠取

得令人滿意的結(jié)果。

在 Segformer 的解碼器中,本研究提出使用

FPN 來替代 MLP 層中的 MLP 模塊。 這一改進(jìn)能

夠更好地整合編碼器從不同尺度提取的特征信

息。 FPN 中金字塔形網(wǎng)絡(luò)在特征融合時考慮了

淺層和深層特征之間的差異,而不僅僅是簡單地

將所有特征堆疊在一起。 在水下養(yǎng)殖魚類圖像的

分割任務(wù)中,不同魚類之間的重疊區(qū)域和交界處,

以及魚尾和魚鰭的細(xì)節(jié)部分,都包含了重要的邊

界特征。 4 層 Transformer block 提取出來的淺層

特征圖中捕捉到了魚類圖像中的如魚鰭、魚尾精

細(xì)邊緣等的復(fù)雜細(xì)節(jié)特征,而越往后的深層特征

圖感受野越大,包含了魚類的整體形狀結(jié)構(gòu)、顏

色、輪廓及紋理特征。 利用 FPN 融合這些不同層

次特征圖的特征,可以提高水下養(yǎng)殖魚類圖像分

割的準(zhǔn)確性。

圖 4 特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)

Fig. 4 FPN module structure

1. 4 上采樣改進(jìn)

傳統(tǒng)的上采樣方法常常面臨信息丟失、邊緣

模糊、計(jì)算需求高以及模型泛化能力受限等問

題[23]

。 這些方法通常在不考慮特征之間相關(guān)性

的情況下進(jìn)行插值,導(dǎo)致生成的高分辨率特征中

詳細(xì)信息的丟失。 轉(zhuǎn)置卷積是一種卷積操作,可

以在一定程度上恢復(fù)這些空間信息,使得特征圖

在保持一定特征表達(dá)能力的同時,具有更高的空

間分辨率。

在 SegFT 方法中,本研究在 Segformer 網(wǎng)絡(luò)的

解碼器部分采用了轉(zhuǎn)置卷積,而非傳統(tǒng)的上采樣

技術(shù)(如雙線性插值或最近鄰插值),操作過程如

圖 5 所示。 轉(zhuǎn)置卷積模塊由一系列步長大于 1 的

卷積層組成。 通過對 FPN 模塊的輸出應(yīng)用轉(zhuǎn)置

卷積,可以逐步提升特征圖的空間分辨率,同時保

留詳細(xì)信息。 這解決了傳統(tǒng)上采樣方法中空間細(xì)

節(jié)丟失問題。

圖 5 上采樣操作過程

Fig. 5 The process of upsampling operation

此外,水下環(huán)境的復(fù)雜性往往導(dǎo)致魚類圖像

出現(xiàn)邊緣消失[24]

,而傳統(tǒng)的上采樣操作并不能有

效解決這一問題。 轉(zhuǎn)置卷積能更好地保留邊緣信

息并減少邊緣模糊。 通過采用可學(xué)習(xí)的轉(zhuǎn)置卷

積,特征可以被上采樣到更精細(xì)的空間尺度,從而

增強(qiáng)模型對不同尺度魚類實(shí)例的泛化能力。 這也

84

第 6 期 蘇碧儀等:基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法

有助于模型適應(yīng)水下環(huán)境中不同大小和尺度的魚

類實(shí)例,確保模型的魯棒性。

1. 5 損失函數(shù)優(yōu)化

在水下養(yǎng)殖魚類圖像分割任務(wù)中,結(jié)合使用

Focal Loss

[25]和 Dice Loss

[26]能夠顯著提升模型的

性能。 Dice Loss 以其對類別不平衡問題的魯棒

性和對小目標(biāo)分割的敏感性,確保模型能夠準(zhǔn)確

識別并分割出不同體型的魚類,即使在水下復(fù)雜

環(huán)境中也能保持高精度。 而 Focal Loss 則通過動

態(tài)調(diào)整易分類樣本的權(quán)重,使得模型更加專注于

難分類的魚類樣本,從而增強(qiáng)模型的泛化能力和

訓(xùn)練效率。 本研究將 Dice loss 作為輔助損失函

數(shù)來和主損失函數(shù) Focal Loss 一起訓(xùn)練。

Focal Loss 是二分類交叉熵?fù)p失函數(shù)的改

進(jìn)[25]

。 通過一個動態(tài)縮放因子減少易分類樣本

的權(quán)重,從而將重心快速聚焦在那些難區(qū)分的樣

本, 公式(1)如下:

LFocal

= -αt(1 - pt)

γ

log(pt) (1)

式中:LFocal 表示 Focal Loss 損失函數(shù),pt表示樣本

真實(shí)類別的預(yù)測概率;αt 平衡正負(fù)樣本間的損

失;γ 則調(diào)節(jié)了難易樣本間的權(quán)重分布,從而有效

應(yīng)對樣本失衡問題。

Dice Loss 在處理類別不平衡問題上表現(xiàn)出

色。 在水下養(yǎng)殖環(huán)境中,由于光照條件、水質(zhì)變化

等因素的影響,圖像可能存在魚類與背景(水體、

其他生物或物體)之間的嚴(yán)重不平衡。 Dice Loss

通過計(jì)算預(yù)測與真實(shí)分割之間的重疊區(qū)域(即

Dice 系數(shù)),并轉(zhuǎn)化為損失函數(shù),使得模型更加關(guān)

注小類別的分割效果,從而有效應(yīng)對類別不平衡

問題[27]

,公式(2)如下:

LDice

= 1 -

2 | X ∩ Y | + 1

| X | +| Y | + 1

(2)

式中:LDice 表示 Dice Loss 損失函數(shù), | X | 和 | Y | 分

別表示分割的真實(shí)標(biāo)簽中目標(biāo)類別的像素個數(shù)和

預(yù)測掩碼中目標(biāo)類別的像素個數(shù)。 | X∩Y | 表示

集合 X 與集合 Y 的交集。

本研究所采用的損失函數(shù) L 為上述兩種損失

函數(shù)融合,公式(3)如下:

L =LFocal

+LDice (3)

式中:LFocal 表示 Focal Loss 損失函數(shù),LDice 表示

Dice Loss 損失函數(shù)。

2 試驗(yàn)分析與結(jié)果

2. 1 試驗(yàn)設(shè)置

本試驗(yàn)基于 Ubuntu 操作系統(tǒng),硬件試驗(yàn)平臺

采用了一塊具有 24GB 顯存的 NVIDIA GTX 3090

GPU 以及一個 Intel ( R) Core ( TM) i5 - 7200U

CPU。 開發(fā)環(huán)境則基于 Python3. 8、PyTorch1. 12

和 CUDA11. 5。 研究采用了 Adam 梯度下降算法

進(jìn)行網(wǎng)絡(luò)優(yōu)化。 為加速網(wǎng)絡(luò)收斂并緩解振蕩現(xiàn)

象,將動量參數(shù)設(shè)置為 0. 9。 權(quán)重衰減率被設(shè)定

為 0. 01。 對于初始學(xué)習(xí)率,通過經(jīng)驗(yàn)調(diào)整和試驗(yàn)

驗(yàn)證,確定 0. 000 1 為合適的初始學(xué)習(xí)率,另外,

選擇了余弦退火作為學(xué)習(xí)率衰減策略。 在模型訓(xùn)

練過程中,采用了凍結(jié)訓(xùn)練策略。 凍結(jié)訓(xùn)練策略

是遷移學(xué)習(xí)的一種常用技術(shù),能通過固定模型部

分層的參數(shù)來加速訓(xùn)練過程、防止過擬合、保持通

用特征穩(wěn)定性,并減少對大量標(biāo)注數(shù)據(jù)的依賴。

具體而言,在模型訓(xùn)練的初始階段,固定網(wǎng)絡(luò)中的

部分或全部層權(quán)重和參數(shù),僅更新部分層的權(quán)重,

以穩(wěn)定訓(xùn)練過程并加速收斂。 本研究將凍結(jié)輪次

設(shè)置為 50,批量大小設(shè)置為 16,模型訓(xùn)練的總輪

次為 100。 對于未凍結(jié)的部分,批量大小設(shè)置

為 8。

2. 2 評估指標(biāo)

為了客觀評估模型在 UAGF 數(shù)據(jù)集上的分割

能力,本研究選擇了圖像分割評價指標(biāo)平均交并

比(Mean Intersection over Union,mIoU)、平均像素

準(zhǔn)確 率 ( Mean Pixel Accuracy, mPA)、 準(zhǔn) 確 率

(Accuracy)、精確度(Precision)和召回率(Recall)

作為試驗(yàn)結(jié)果的評估指標(biāo)。 其中,mIoU 用于衡量

圖像分割任務(wù)中預(yù)測結(jié)果與真實(shí)標(biāo)簽之間的相似

性,而 mPA 則分別計(jì)算每個類別中正確分類像素

的比 例。 Accuracy 表 示 分 類 結(jié) 果 的 正 確 性,

Precision 衡量模型將正樣本預(yù)測為正樣本的準(zhǔn)確

性,Recall 則衡量模型覆蓋正樣本的程度。 公式

如下:

mIoU =

1

k + 1∑

k

i = 0

TP

FN + FP + TP

(4)

mPA =

1

k + 1∑

k

i = 0

pij

∑

k

i = 0

pij

(5)

Accuracy =

TP + TN

TP + FN + FP + TN

(6)

85

漁 業(yè) 現(xiàn) 代 化 2024 年

Precision =

TP

TP + FP

(7)

Recall =

TP

TP + FN

(8)

式中:k 表示劃分出的類別數(shù)量,總共有 k+1 個類

別(含背景);i、j 分別代表真實(shí)值和預(yù)測值;pij 表

示被 預(yù) 測 為 j 類 的 i 類 像 素 數(shù) 量; TP ( True

Positives)表示正確預(yù)測為正類(目標(biāo)類別) 的樣

本數(shù)量;FN( False Negatives) 表示錯誤預(yù)測為負(fù)

類(即未能識別出的目標(biāo)類別)的正類樣本數(shù)量;

FP(False Positives) 表示錯誤預(yù)測為正類的負(fù)類

(非目標(biāo)類別)樣本數(shù)量;TN(True Negatives)表示

正確預(yù)測為負(fù)類的樣本數(shù)量。

2. 3 訓(xùn)練過程比較

圖 6 呈現(xiàn)了 SegFormer 與 SegFT 在訓(xùn)練期間

損失 值 變 化 情 況 的 對 比。 相 較 于 SegFormer,

SegFT 在訓(xùn)練過程中能夠更有效地降低損失值。

初始階段,盡管 Segformer 迅速降低了損失值,但

SegFT 從一開始就保持了較低的損失水平,體現(xiàn)

了其模型設(shè)計(jì)的有效性。 隨著訓(xùn)練的深入,SegFT

的損 失 值 持 續(xù) 且 穩(wěn) 定 低 于 Segformer, 這 表 明

SegFT 在訓(xùn)練過程中具有更強(qiáng)的適應(yīng)性和優(yōu)化能

力,能更有效地減少誤差。 在訓(xùn)練后期,SegFT 的

優(yōu)越性能更為明顯,更低的損失值預(yù)示著更高的

預(yù)測精度和泛化能力。

0.2

0

0.4

0.6

0.8

1.0

1.2

Loss

Segformer

SegFT

0 20 40 60 80 100

Epochs

圖 6 訓(xùn)練損失變化曲線

Fig. 6 Training loss variation curve

2. 4 對比試驗(yàn)

本試驗(yàn)旨在進(jìn)一步評估 SegFT 在水下魚類圖

像分割任務(wù)中的有效性。 為了進(jìn)行比較試驗(yàn),選

擇了圖像分割領(lǐng)域中的幾種知名方法作為對比,

包 括 Deeplabv3 +

[28]

、 PSPNet

[29]

、 U - Net

[30]

、

HRNet

[31]和 Segformer。 同時,所有模型均使用相

同的訓(xùn)練參數(shù)和策略進(jìn)行訓(xùn)練。

在數(shù)據(jù)集 1 與數(shù)據(jù)集 2 上進(jìn)行的上述試驗(yàn)結(jié)

果如表 1 和表 2 所示。 總體而言,在水下養(yǎng)殖魚

類分割任務(wù)中,與基準(zhǔn)模型 Segformer 以及其他分

割算法相比,SegFT 在不同噪聲設(shè)置下取得了更

穩(wěn)健的結(jié)果。

表 1 不同算法在測試集 1 的定性對比

Tab. 1 Qualitative comparison of different algorithms on test set 1

模型 主干 mIoU mPA 準(zhǔn)確率 精確度 召回率

U-Net resnet50 86. 73% 92. 06% 94. 16% 93. 64% 92. 06%

PSPNet resnet50 86. 36% 92. 49% 93. 79% 92. 71% 92. 49%

HRNet hrnetv2_w18 86. 52% 93. 16% 94. 13% 92. 21% 93. 16%

Deeplabv3+ resnet50 86. 28% 92. 44% 93. 86% 92. 64% 92. 43%

Segformer B2 88. 27% 93. 82% 94. 79% 93. 84% 93. 40%

Ours B2 89. 01% 94. 13% 95. 23% 94. 78% 93. 37%

表 2 不同算法在測試集 2 的定性對比

Tab. 2 Qualitative comparison of different algorithms on test set 2

模型 主干 mIoU mPA 準(zhǔn)確率 精確度 召回率

U-Net resnet50 85. 94% 91. 42% 93. 81% 93. 40% 91. 42%

PSPNet resnet50 84. 13% 90. 85% 92. 73% 90. 73% 91. 29%

HRNet hrnetv2_w18 84. 79% 93. 16% 94. 13% 92. 40% 91. 79%

Deeplabv3+ resnet50 84. 28% 90. 68% 92. 97% 92. 27% 91. 90%

Segformer B2 86. 10% 92. 86% 93. 84% 92. 40% 93. 02%

Ours B2 87. 86% 93. 25% 94. 57% 93. 29% 93. 21%

86

第 6 期 蘇碧儀等:基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法

通過比較和分析表 1 和表 2 中的試驗(yàn)數(shù)據(jù),

可以觀察到,在加入噪聲干擾后,與其他模型相

比,SegFT 模型僅使 mIoU 參數(shù)下降了 1. 15%。 具

體 而 言, Segformer 的 mIoU 下 降 了 2. 17%,

Deeplabv3+ 下 降 了 2%, HRNet 下 降 了 1. 73%,

PSPNet 下降了 2. 23%。 顯然, 在噪聲條件下,

SegFT 的性能下降幅度相對較小,充分展示了其

在抗噪聲方面的優(yōu)越性,并表現(xiàn)出卓越的泛化能

力和魯棒性。 這一特性使本模型在復(fù)雜的實(shí)際應(yīng)

用場景中具有更強(qiáng)的適應(yīng)性。

在表 2 中,相較于基準(zhǔn)模型 Segformer,所提

出的方法在 mIoU 與 mPA 評估標(biāo)準(zhǔn)上,分別實(shí)現(xiàn)

了 1. 76% 與 0. 39% 的提升。 在 mIoU 指標(biāo)上,

SegFT 分 別 超 越 了 U - Net、 PSPNet、 HRNet、

Deeplabv3+ 1. 92、3. 73、3. 07 和 3. 58 個百分點(diǎn)。

在 mPA 指標(biāo)上,SegFT 分別優(yōu)于 U-Net、PSPNet

和 Deeplabv3+ 1. 72、2. 29 和 2. 46 個百分點(diǎn)。 對

在數(shù) 據(jù) 集 2 中 試 驗(yàn) 表 現(xiàn) 更 佳 的 Deeplabv3 +、

PSPNet、U-Net、Segformer 以及 SegFT 進(jìn)行了試驗(yàn)

結(jié)果的可視化,如圖 7 所示。

圖 7 在數(shù)據(jù)集上的分割結(jié)果比較

Fig. 7 Comparison of segmentation results on the dataset

在 圖 7 中, 本 研 究 的 模 型 分 割 結(jié) 果 與

Segformer、Deeplabv3 +、PSPNet 和 U-Net 的進(jìn)行

了比較。 第一列展示了來自 UAGF 數(shù)據(jù)集的原始

圖像,而第 2 列到第 5 列則展示了使用這些原始

圖像作為測試集所獲得的分割結(jié)果。 值得注意的

是,本研究模型在訓(xùn)練過程中包含了噪聲圖像,這

提高了其魯棒性。 因此,當(dāng)使用原始圖像作為測

試集進(jìn)行分割時,SegFT 能夠表現(xiàn)出更優(yōu)越的性

能。 根據(jù)圖 7 所展示的結(jié)果,SegFT 在水下養(yǎng)殖

環(huán)境的分割任務(wù)中,較其他方法展現(xiàn)出了優(yōu)越性

能。 特別是在第 2、3、4 行圖像中的魚類分割上,

本研究方法實(shí)現(xiàn)了較為精準(zhǔn)的分割效果。 而

Deeplabv3+、U-Net 和 Segformer 等方法則存在目

標(biāo)被忽略或錯誤檢測的情況。 特別是在第三行和

第四行的結(jié)果中,SegFT 實(shí)現(xiàn)了完整的魚類分割,

而其他方法則未能完全進(jìn)行分割,將魚類像素錯

誤地識別為背景像素。 此外,這些模型的分割性

能還存在目標(biāo)邊緣分割不準(zhǔn)確的問題,而本模型

在這一方面則較好地改進(jìn)了其他模型的不足。

在表 3 中,針對不同骨干網(wǎng)絡(luò)的性能進(jìn)行了

深入研究。 本研究選擇了 B0、B1、B2、B3、B4 和

B5 作為骨干網(wǎng)絡(luò),并在數(shù)據(jù)集 2 上采用本研究的

方法(B2 + FPN+ 轉(zhuǎn)置卷積)進(jìn)行試驗(yàn),旨在全面

評估這些網(wǎng)絡(luò)在該任務(wù)上的性能表現(xiàn)。 對比試驗(yàn)

的結(jié)果顯示,不同骨干網(wǎng)絡(luò)之間存在顯著的性能

差異。 在綜合考慮性能與效率的平衡后,本研究

選擇 B2 作為試驗(yàn)基線模型中 Segformer 模型的骨

干網(wǎng)絡(luò)。 與 B4 和 B5 相比,B2 在計(jì)算效率和模型

大小之間實(shí)現(xiàn)了良好的折中。 這使本研究模型能

夠在保持一定性能水平的同時,降低計(jì)算和存儲

87

漁 業(yè) 現(xiàn) 代 化 2024 年

需求。

本研究通過進(jìn)一步結(jié)合 FPN 和轉(zhuǎn)置卷積來

增強(qiáng)以 B2 為骨干網(wǎng)絡(luò)的 Segformer 模型,取代了

傳統(tǒng)的上采樣策略,以提升其分割能力。 相比之

下,本研究的改進(jìn)方法在 mIoU 和 mPA 值上分別

實(shí)現(xiàn)了 1. 76%和 0. 39%的顯著提升。 這是因?yàn)?/p>

FPN 能夠有效地捕獲圖像中的多尺度特征,從而

增強(qiáng)了模型在處理水下養(yǎng)殖觀賞魚分割任務(wù)中復(fù)

雜細(xì)節(jié)的能力。

本次試驗(yàn)驗(yàn)證了 SegFT 在水下養(yǎng)殖魚類分割

任務(wù)中的優(yōu)越性,為水下養(yǎng)殖業(yè)提供了一種高效

且準(zhǔn)確的魚類圖像分割方法。

表 3 不同特征提取網(wǎng)絡(luò)下的分割效果比較

Tab. 3 Comparison of segmentation effects under different

feature extraction networks

模型 mIoU mPA 參數(shù)量

Segformer+B0 83. 07% 92. 20% 3. 8M

Segformer+B1 84. 98% 92. 11% 13. 7M

Segformer+B2 86. 10% 92. 86% 27. 5M

Segformer+B3 86. 43% 92. 74% 48M

Segformer+B4 87. 13% 93. 35% 64. 7M

Segformer+B5 86. 71% 92. 89% 84. 7M

Segformer+B2+FPN+

轉(zhuǎn)置卷積

87. 86% 93. 25% 50. 1M

2. 5 消融試驗(yàn)

本研究中,在噪聲設(shè)置下的數(shù)據(jù)集 2 中,對

SegFT 模型進(jìn)行了消融試驗(yàn),以評估本研究在解

碼器模塊中引入的兩個關(guān)鍵改進(jìn):引入 FPN 以及

轉(zhuǎn)置卷積。 試驗(yàn)結(jié)果如表 4 所示。

首先,本研究探討了加入特征融合機(jī)制的影

響,結(jié)果顯示,與原始的 SegFormer 模型相比,采

用 FPN 模塊使 mIoU 和 mPA 指標(biāo)分別提高了

0. 92 和 0. 09 個百分點(diǎn)。 FPN 通過自頂向下的路

徑和橫向連接,將不同尺度的特征圖進(jìn)行融合,從

而實(shí)現(xiàn)了從全局到局部的不同分辨率特征圖中信

息的整合。 這種機(jī)制不僅增強(qiáng)了模型對魚類細(xì)節(jié)

的捕捉能力,還提高了模型對復(fù)雜水下環(huán)境的適

應(yīng)性。 試驗(yàn)結(jié)果顯示,引入 FPN 后,mIoU 和 mPA

指標(biāo)均有顯著提升,驗(yàn)證了多尺度特征融合的有

效性。

其次,本研究分析了將上采樣操作替換為轉(zhuǎn)

置卷積的效果。 轉(zhuǎn)置卷積作為一種可學(xué)習(xí)的上采

樣方法,可以在保留細(xì)節(jié)的同時進(jìn)行有效的特征

恢復(fù)。 試驗(yàn)結(jié)果證實(shí)了這一點(diǎn),在上采樣中引入

轉(zhuǎn)置卷積后,改進(jìn)后的模型在 mIoU 和 mPA 值上

分別提高了 0. 51 和 0. 03 個百分點(diǎn)。 這一結(jié)果表

明,轉(zhuǎn)置卷積在提高模型分割精度和處理復(fù)雜細(xì)

節(jié)方面具有有效性。

表 4 FPN 模塊和轉(zhuǎn)置卷積的消融試驗(yàn)數(shù)據(jù)

Tab. 4 Ablation experimental data for FPN module and

transposed convolution

模型 FPN 轉(zhuǎn)置卷積 mIoU mPA

Segformer+B2

86. 55% 93. 02%

√ 87. 47% 93. 11%

√ 87. 06% 93. 05%

√ √ 87. 86% 93. 25%

注:“√”表示該模塊被采用

3 結(jié)論

針對水下養(yǎng)殖魚類圖像分割精度偏低的問

題,提出 SegFT 網(wǎng)絡(luò)模型,通過集成 FPN 與轉(zhuǎn)置

卷積,顯著增強(qiáng)了特征表示、語義信息融合能力以

及特征分辨率,從而實(shí)現(xiàn)了對水下養(yǎng)殖魚類及背

景的高精度分割。 在所構(gòu)建的真實(shí)數(shù)據(jù)集 UAGF

上的 試 驗(yàn) 結(jié) 果 表 明, 該 模 型 在 mIoU、 mPA 和

mRecall 等評估指標(biāo)上均優(yōu)于現(xiàn)有方法,分別提升

了 1. 76%、0. 39%和 0. 19%,驗(yàn)證了在提高分割精

度和保留細(xì)節(jié)信息方面的有效性,展現(xiàn)了在提升

分割精度與細(xì)節(jié)保留方面的獨(dú)特優(yōu)勢和在復(fù)雜水

下環(huán)境中的高度適應(yīng)性和魯棒性。 本研究成果可

為水產(chǎn)養(yǎng)殖智慧管理提供有力的技術(shù)支持和有效

手段,助力水產(chǎn)養(yǎng)殖業(yè)者更準(zhǔn)確掌握魚類生長狀

況與養(yǎng)殖環(huán)境信息,優(yōu)化養(yǎng)殖策略,提高生產(chǎn)效率

與養(yǎng)殖質(zhì)量。 未來,在持續(xù)優(yōu)化模型性能的同時,

專注于模型的輕量化設(shè)計(jì),旨在提升計(jì)算效率與

部署便捷性。 □

參考文獻(xiàn)

[1] ZHANG W, BELTON B, EDWARDS P. et al. Aquaculture will

continue to depend more on land than sea[ J]. Nature,2022,

603(7900):2-4.

[2] WANG J, GONG Z, LIU X, et al. Object detection based on

adaptive feature-aware method in optical remote sensing images

[J]. Remote Sensing,2022,14(15): 3616-3638.

[3] 裴凱洋,張勝茂,樊偉,等. 基于計(jì)算機(jī)視覺的魚類視頻跟蹤

技術(shù)應(yīng)用研究進(jìn)展[J]. 海洋漁業(yè), 2022, 44(5):640-647.

88

第 6 期 蘇碧儀等:基于 Segformer 與特征融合的水下養(yǎng)殖魚類圖像分割方法

[4] 胡澤濤. 基于深度學(xué)習(xí)的魚類識別研究[D]. 青島:青島科技

大學(xué). 2023.

[5] 王柯力. 深度學(xué)習(xí)在漁業(yè)圖像識別中的應(yīng)用研究[D]. 上海:

上海海洋大學(xué),2019.

[6] 湯永華,張志鵬,林森,等. 基于深度學(xué)習(xí)的魚類識別相關(guān)技

術(shù)研究現(xiàn)狀及展望[J]. 海洋漁業(yè),2024,46(2):246-256.

[7] GUO P, XUE Z, LONG L R, et al. Cross-dataset evaluation of

deep learning networks for uterine cervix segmentation [ J ].

Diagnostics,2020,10(1):44-60.

[8] 岳有軍,耿連欣,趙輝,等. 基于 ARD-PSPNet 網(wǎng)絡(luò)下的水下

魚類圖像分割算法研究[ J]. 光電子激光,2022,33 ( 11):

1173-1182.

[9] 王紅君,季曉宇,趙輝,等. SENet 優(yōu)化的 Deeplabv3+淡水魚

體語義分割[J]. 中國農(nóng)機(jī)化學(xué)報, 2021, 42(2):158-163.

[ 10 ] LI D, YANG Y, ZHAO S. A fish image segmentation

methodology in aquaculture environment based on multi-feature

fusion model [ J]. Marine environmental research, 2023, 190

(2023):106085.

[11]CHEN Q, WANG X, SHAO F. Underwater image enhancement

based on multiscale residual attention networks[ J]. Journal of

Applied Optics, 2024, 45(1): 89-98.

[12]YU C, FAN X, HU Z, et al. Segmentation and measurement

scheme for fish morphological features based on Mask R-CNN

[J]. Information Processing in Agriculture, 2020, 7 ( 4 ):

523-534.

[13]NEZLA N A , HARIDAS T P M , SUPRIYA M H . Semantic

segmentation of underwater images using UNet architecture based

deep convolutional encoder decoder model [ C] / / International

Conference on Advanced Computing and Communication Systems

(ICACCS),Piscataway, N. J. :IEEE, 2021:28-33.

[14 ] HAN Y, ZHENG B, KONG X, et. al. Underwater fish

segmentation algorithm based on improved PSPNet network[J].

Sensors, 2023,23(19):8072-8089.

[15 ] XU X, QIN Y, XI D, et al. MulTNet: A multi-scale

transformer network for marine image segmentation toward fishing

[J]. Sensors, 2022,22(19):7224-7241.

[16]XIE E, WANG W, YU Z,et al. SegFormer: simple and efficient

design for semantic segmentation with transformers [ J ].

Advances in Neural Information Processing Systems, 2021,34:

12077-12090.

[17] LIN T Y, DOLLAR P, GIRSHICK R ,et al. Feature pyramid

networks for object detection [ C] / / Proceedings of the IEEE

conference on computer vision and pattern recognition, United

States: IEEE Computer Society, 2017:936-944.

[18 ] ZEILER M D, KRISHNAN D, TAYLOR G W, et al.

Deconvolutional networks[C] / / Computer Society Conference on

Computer Vision and Pattern Recognition. Piscataway, N. J. :

IEEE,2010:2528-2535.

[19 ] 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.

[20]SALEH A, LARADJI I H, KONOVALOV D A,et al. A realistic

fish-habitat dataset to evaluate algorithms for underwater visual

analysis[J]. Scientific Reports,2024,10:14671-14681.

[21]FISHER R,SHAO K T,CHENBURGER Y H. Overview of the

fish4knowledge project [ J]. NameIntelligent Systems Reference

Library,2016,104:1868-4394.

[22]CUTTER G, STIERHOFF K, ZENG J. Automated detection of

rockfish in unconstrained underwater videos using haar cascades

[C] / / Winter Conference on Applications of Computer Vision

Workshops, Piscataway, N. J. : IEEE,2015:57-62.

[23]袁志祥,高永奇. InternDiffuseDet:結(jié)合可變形卷積和擴(kuò)散模

型的目標(biāo)檢測方法[ J]. 計(jì)算機(jī)工程與應(yīng)用,2024,60(12):

203-215.

[24]覃學(xué)標(biāo),黃冬梅,宋巍,等. 基于目標(biāo)檢測及邊緣支持的魚類

圖像分割方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報,2023,54(1):280-286.

[25]LIN T Y, GOYAL P, GIRSHICK R,et al. Focal loss for dense

object detection [ J]. IEEE Transactions on Pattern Analysis&

Machine Intelligence,2017,99:2999-3007.

[26]LI X, SUN X, MENG Y,et al. Dice Loss for Data-imbalanced

NLP Tasks[C] / / Proceedings of the 58th Annual Meeting of the

Association for Computational Linguistics, New York:

Association for Computational Linguistics,2020:465-476.

[27]ZHU W T, HUANG Y F, ZENG L,et al. Anato ‐ myNet:deep

learning for fast and fully automated whole-volume segmentation

of head and neck anatomy[ J]. Medical Physics,2019,46( 2):

576-589.

[28] YURTKULU S, SAHIN Y, UNAL G. Semantic segmentation

with extended deeplabv3 architecture [ C] / / Signal Processing

and Communications Applications Conference, Piscataway, N.

J. :IEEE, 2019:1-4.

[29]ZHAO H, SHI J, QI X, et al. Pyramid Scene Parsing Network

[C] / / Conference on Computer Vision and Pattern Recognition

(CVPR), Piscataway, N. J. :IEEE, 2017:6230-6239.

[ 30 ] RONNEBERGER O, FISCHER P, BROX T. U-Net:

convolutional networks for biomedical image segmentation[C] / /

International Conference on Medical Image Computing and

Computer-Assisted Intervention, Heidelberg: Springer-Verlag,

2015:234-241.

[31 ] SUN K, XIAO B, LIU D, et al. Deep high-resolution

representation learning for human pose estimation [ C ] / /

Conference on Computer Vision and Pattern Recognition

(CVPR),Piscataway, N. J. : IEEE, 2019:5686-5696.

89

漁 業(yè) 現(xiàn) 代 化 2024 年

Image segmentation method for underwater aquaculture fish

based on segformer and feature fusion

SU Biyi, MEI Haibin, YUAN Hongchun

(College of Information Technology,Shanghai Ocean University,Shanghai 201306,China)

Abstract:In aquaculture, precise fish image segmentation is crucial for growth management. However, the

intricate underwater environment, plagued by image blurriness and low quality, poses significant challenges to

existing segmentation methods, often leading to reduced accuracy and limited generalization capabilities. We

propose an underwater fish image segmentation approach based on an improved Segformer model designated as

FT-Segformer (SegFT for brevity) to address these issues. Our methodology meticulously extracts multi-scale

features, spanning from fine-grained high resolutions to coarse-grained low resolutions, utilizing a sophisticated

four-layered transformer block structure. Within the decoder, a feature pyramid fusion mechanism seamlessly

integrates these features, bolstering contextual understanding. Subsequently, transposed convolutions refine

the feature maps, restoring their dimensions and amplifying feature learning capabilities. To evaluate the

model, we constructed the UAGF (Underwater Aquaculture Goldfish Fishes) dataset, a genuine underwater

aquaculture environment dataset featuring ornamental goldfish, and conducted extensive validation experiments

thereon. The experimental results demonstrate that SegFT outperforms existing methods across evaluation

metrics such as mIoU, mPA, and mRecall, achieving improvements of 1. 76%, 0. 39% and 0. 19%,

respectively. Notably, in terms of mIoU, SegFT surpasses UNet, PSPNet, HRNet, and Deeplabv3 + by

impressive margins of 1. 92%, 3. 73%, 3. 07% and 3. 58%, respectively. This study underscores our

proposed method?s remarkable effectiveness and robustness in complex underwater settings, outperforming

existing supervised image segmentation techniques in terms of segmentation performance.

Key words:smart aquaculture; image segmentation; feature fusion; transpose convolution; deep learning

90

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. 010 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

王鑫怡,劉旭騰,鄭紀(jì)業(yè),等. 基于改進(jìn) YOLOv8 的輕量級魚類檢測方法[J]. 漁業(yè)現(xiàn)代化,2024,51(6):91-99.

收稿日期:2024-08-29

基金項(xiàng)目:山東省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“海洋漁業(yè)智能裝備與大數(shù)據(jù)平臺系統(tǒng)開發(fā)及應(yīng)用(2021TZXD006)”

作者簡介:王鑫怡(2002—),女,碩士研究生,研究方向:深度學(xué)習(xí)農(nóng)業(yè)應(yīng)用。 E-mail:15615940778@ 163. com

通信作者:鄭紀(jì)業(yè)(1982—),男,博士,副研究員,研究方向:智慧農(nóng)業(yè)。 E-mail:jiyezheng@ 163. com

基于改進(jìn) YOLOv8 的輕量級魚類檢測方法

王鑫怡1,5

,劉旭騰2

,鄭紀(jì)業(yè)1,5

,董貫倉3

,于兆慧4

,張霞5

,王興家1,5

(1 山東省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息與經(jīng)濟(jì)研究所,山東 濟(jì)南 250100;

2 香港中文大學(xué)(深圳),廣東 深圳 518172;

3 山東省淡水漁業(yè)研究院,山東 濟(jì)南 250013;

4 山東東潤儀表科技股份有限公司,山東 煙臺 264003;

5 聊城大學(xué)物理科學(xué)與信息工程學(xué)院,山東 聊城 252000)

摘要:針對魚類目標(biāo)檢測存在精度低和計(jì)算量大的問題,提出了一種基于改進(jìn) YOLOv8 模型的輕量化魚類目

標(biāo)檢測方法 YOLOv8-FCW。 首先,引入 FasterNet 中的 FasterBlock 替換 YOLOv8 中 C2f 模塊的 Bottleneck 結(jié)

構(gòu),減少網(wǎng)絡(luò)模型的冗余計(jì)算;其次,引入注意力機(jī)制 CBAM(Convolutional Block Attention Module),實(shí)現(xiàn)高效

提取魚體特征,提升網(wǎng)絡(luò)模型檢測精度;最后,引入動態(tài)非單調(diào)聚焦機(jī)制 WIoU(Wise Intersection over Union)

替代 CIoU(Complete Intersection over Union),加快網(wǎng)絡(luò)模型的收斂速度,提升網(wǎng)絡(luò)模型的檢測性能。 結(jié)果顯

示,與原模型相比,改進(jìn) YOLOv8-FCW 模型精確率提升了 1. 6 個百分點(diǎn),召回率提升了 5. 1 個百分點(diǎn),平均

精確率均值提升了 2. 4 個百分點(diǎn),權(quán)重和計(jì)算量分別減少為原模型的 80%和 79%。 該模型具有較高的精確

率和較強(qiáng)的魯棒性,能夠幫助養(yǎng)殖者精確計(jì)算魚群數(shù)量,提高養(yǎng)殖效率。

關(guān)鍵詞:圖像處理;圖像識別;目標(biāo)檢測;YOLOv8

中圖分類號:S964;TP391. 7 文獻(xiàn)標(biāo)志碼:A 文章編號:1007-9580(2024)06-0091-009

中國是世界漁業(yè)大國,水產(chǎn)養(yǎng)殖產(chǎn)量占世界

養(yǎng)殖總產(chǎn)量的 2 / 3。 魚類不僅為人們提供了大量

優(yōu)質(zhì)蛋白質(zhì),還為國家糧食安全提供了重要保

障[1-3]

。 目前,工業(yè)化養(yǎng)殖正朝著精準(zhǔn)養(yǎng)殖的方

向發(fā)展[4]

,而目標(biāo)檢測技術(shù)是精準(zhǔn)養(yǎng)殖的基礎(chǔ)。

近年來,隨著深度學(xué)習(xí)技術(shù)的興起,卷積神經(jīng)網(wǎng)絡(luò)

(CNN)

[5-7]在不同的領(lǐng)域和任務(wù)中發(fā)揮著重要作

用, 涌 現(xiàn) 出 Faster R - CNN

[8-10]

、 YOLO

[11-15] 和

SSD

[16-19]等系列目標(biāo)檢測算法。

深度學(xué)習(xí)技術(shù)的發(fā)展為魚類目標(biāo)檢測提供了

新思路,國內(nèi)外學(xué)者正在利用深度學(xué)習(xí)技術(shù)對魚

類進(jìn)行目標(biāo)檢測。 如李慶忠等[20] 提出了基于改

進(jìn) YOLO 和遷移學(xué)習(xí)的水下魚類目標(biāo)實(shí)時檢測算

法,針對 YOLO 網(wǎng)絡(luò)結(jié)構(gòu)計(jì)算量冗余的問題,提出

了適合水下機(jī)器人嵌入式系統(tǒng)的精簡 YOLO 結(jié)

構(gòu),可以完成水下魚類目標(biāo)的實(shí)時檢測任務(wù),同時

使用遷移學(xué)習(xí)方法訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu),解決了海底魚

類已知樣本集有限的問題。 袁紅春等[21] 提出了

一種基于 Faster R-CNN 二次遷移學(xué)習(xí)和帶色彩

恢復(fù)的多尺度視網(wǎng)膜增強(qiáng)算法(MSRCR),克服了

水下魚類圖像樣本量不足的問題,并且實(shí)現(xiàn)了對

水下低清晰度圖像中魚類的快速檢測。 張明華

等[22]針對夜晚水下魚類目標(biāo)檢測場景提出了一

種基于改進(jìn) Cascade R-CNN 算法和具有色彩保

護(hù)的 MSRCP 圖像增強(qiáng)算法,實(shí)現(xiàn)了夜晚水下圖

像中魚類目標(biāo)的快速檢測,準(zhǔn)確率達(dá)到 95. 81%,

比 Cascade R-CNN 方法提高了 11. 57%。 陳露露

等[23]提出了一種基于 YOLOv5 和膨脹卷積的目

標(biāo)檢測網(wǎng)絡(luò),該算法在自建數(shù)據(jù)集上 mAP 達(dá)到

81. 5%, 相 較 于 原 始 的 YOLOv5s 算 法 提 升 了

1. 5%。 閆黨康[24] 提出了一種基于改進(jìn)的 Mask

R-CNN 的魚類識別算法模型,改進(jìn)的魚類識別算

漁 業(yè) 現(xiàn) 代 化 2024 年

法的平均精度均值為 87. 4%,相對于基線算法模

型精度提升了 3. 6%。 針對 YOLOv7 模型復(fù)雜度

高、計(jì)算量大、對硬件設(shè)備要求苛刻等問題,梅海

彬等[25] 提出了一種基于 YOLOv7 的輕量級魚類

實(shí)時檢測模型 YOLOv7 -MRN,該模型的 mAP @

0. 5 為 86. 5%, 運(yùn)算量僅為原模型 YOLOv7 的

9. 8%,在 GPU 和 CPU 上的推理速度分別提高了

121. 69%和 219. 09%。 岳凱等[26] 提出了一種基

于改進(jìn) YOLOv8n 的復(fù)雜環(huán)境下柑橘識別算法模

型,針對模型計(jì)算復(fù)雜度高、參數(shù)大等問題,設(shè)計(jì)

了 ME 卷積模塊,并且使用它改進(jìn)了 YOLOv8n 的

C2f 模塊,模型大小和參數(shù)量相比于原模型分別

降低了 3. 3%和 4. 3%。

以上基于卷積神經(jīng)網(wǎng)絡(luò)的魚類目標(biāo)檢測方法

為實(shí)現(xiàn)精準(zhǔn)養(yǎng)殖提供了新思路和新方法,但目前

多數(shù)魚類目標(biāo)檢測方法存在不能平衡好計(jì)算復(fù)雜

度、檢測速度和檢測精度的問題。 為了能夠有效

地解決當(dāng)前網(wǎng)絡(luò)對魚類進(jìn)行目標(biāo)檢測時存在的精

度低和計(jì)算量大的問題,本研究提出了一種基于

改進(jìn) YOLOv8 模型的輕量化魚類目標(biāo)檢測方法

YOLOv8-FCW。

1 材料與方法

1. 1 數(shù)據(jù)集建立

本研究中的數(shù)據(jù)集由 1 000 幅網(wǎng)絡(luò)搜集的真

實(shí)養(yǎng)殖環(huán)境下魚類圖像構(gòu)成,魚類品種豐富,共有

10 種魚類,每種魚類的圖片為 100 張,且多數(shù)圖片

包含多條魚,其中,將所搜集的 1 000 幅圖像按照

8 ∶ 1 ∶ 1 的比例分為訓(xùn)練集、驗(yàn)證集、測試集,進(jìn)行

魚類目標(biāo)檢測。 圖 1 為包含不同環(huán)境背景、不同種

類、不同數(shù)量的魚類樣本,復(fù)雜環(huán)境背景及多種類、

數(shù)量數(shù)據(jù)集,有助于提高模型的泛化能力。

圖 1 魚類樣本

Fig. 1 Fish samples

采用 Label Img 軟件標(biāo)注魚類圖像數(shù)據(jù)集,生

成具有標(biāo)注形式的 xml 類型文件,再轉(zhuǎn)換為 txt 類

型文件。 其中,將魚類類別標(biāo)簽設(shè)定為 fish。 在

進(jìn)行數(shù)據(jù)集標(biāo)注時遵循以下原則:1)所標(biāo)注的框

盡量貼合魚類;2) 將圖像中被遮擋但遮擋不足

2 / 3 的魚類進(jìn)行標(biāo)注;3)將遮擋大于 2 / 3 的魚類

不進(jìn)行標(biāo)注。 當(dāng)魚類被遮擋大于 2 / 3 時,其暴露

在外的部分可能無法準(zhǔn)確代表整體,如果強(qiáng)行標(biāo)

注,容易導(dǎo)致標(biāo)注錯誤。 這種錯誤的標(biāo)注會對模

型訓(xùn)練產(chǎn)生負(fù)面影響,使模型學(xué)習(xí)到錯誤的特征。

1. 2 魚類目標(biāo)檢測方法

1. 2. 1 YOLOv8 卷積神經(jīng)網(wǎng)絡(luò)模型

YOLOv8 在保持 YOLO 系列一貫的高效和準(zhǔn)

確特點(diǎn)的同時,引入了許多創(chuàng)新點(diǎn),使其在目標(biāo)檢

測、 實(shí) 例 分 割 和 圖 像 分 類 任 務(wù) 中 表 現(xiàn) 出 色。

YOLOv8 網(wǎng)絡(luò)結(jié)構(gòu)由頭部網(wǎng)絡(luò)(Head)、主干網(wǎng)絡(luò)

(Backbone )、 頸 部 網(wǎng) 絡(luò) ( Neck ) 三 部 分 組 成。

YOLOv8 的 Backbone 部分使用了新的特征提取器

CSPNet,提高了特征提取的效率,降低了模型的

復(fù)雜性。 YOLOv8 的 Neck 部分也進(jìn)行了優(yōu)化,移

除了 1?1 降采樣層,保留了 PAN 結(jié)構(gòu)。 Head 部

分從 Anchor-Based 改為 Anchor-Free,減少了預(yù)

測框的 數(shù) 量, 加 速 了 非 極 大 值 抑 制 ( NMS ) 的

過程。

1. 2. 2 網(wǎng)絡(luò)模型的改進(jìn)

為了實(shí)現(xiàn)模型輕量化和檢測精度高并存的目

標(biāo),本研究在 YOLOv8 的基礎(chǔ)上,引入 FasterBlock

到 C2f 模塊,添加注意力機(jī)制 CBAM,替換損失函

數(shù)為 WIoU。 改進(jìn)后的 YOLOv8-FCW 結(jié)構(gòu)如圖 2

所示。

本研究主要從以下 3 個方面改進(jìn):

1) C2f-Faster 模塊

YOLOv8 采用的 C2f 模塊中含 Bottleneck 結(jié)

構(gòu),如圖 3 所示。 Bottleneck 模塊可以提高網(wǎng)絡(luò)訓(xùn)

練速度并提升特征提取能力,但 YOLOv8 中使用

了過多的串聯(lián) Bottleneck 結(jié)構(gòu),帶來了大量的計(jì)

算開銷,同時也導(dǎo)致了通道信息的過度冗余。 目

前,MobileNet

[27]

、ShuffleNet

[28]和 GhostNet

[29]等利

用深度卷積或組卷積來提取空間特征,減少了模

型的計(jì)算量和內(nèi)存消耗。 但是存在的弊端是在減

少浮點(diǎn)運(yùn)算數(shù)(FLOPs)的過程中,算子也受到了

內(nèi)存訪問增加的影響。 隨后 MicroNet 進(jìn)一步分解

92

第 6 期 王鑫怡等:基于改進(jìn) YOLOv8 的輕量級魚類檢測方法

圖 2 YOLOv8-FCW 網(wǎng)絡(luò)結(jié)構(gòu)圖

Fig. 2 YOLOv8-FCW network structure

和稀疏網(wǎng)絡(luò),將 FLOPs 降至極低水平,但碎片計(jì)

算導(dǎo)致效率低下。 FasterNet 是為了提升網(wǎng)絡(luò)的推

理速度而設(shè)計(jì)的一種新型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),主要

利用部分卷積( PConv) 和逐點(diǎn)卷積( PWConv) 技

術(shù),部分卷積(PConv)通過同時減少冗余的計(jì)算

和內(nèi)存訪問,比其他網(wǎng)絡(luò)在各種視覺任務(wù)上實(shí)現(xiàn)

了更高的運(yùn)行速度,同時精確率沒有降低。 因此,

本 研 究 采 用 FasterNet 中 的 FasterBlock 替 換

YOLOv8 的 C2f 中 Bottleneck 模塊,實(shí)現(xiàn)網(wǎng)絡(luò)結(jié)構(gòu)

的輕量化。

C2f-Faster 模塊結(jié)構(gòu)如圖 4 所示。 圖 3 Bottleneck 結(jié)構(gòu)圖

Fig. 3 Bottleneck structure

93

漁 業(yè) 現(xiàn) 代 化 2024 年

圖 4 C2f-Faster 模塊結(jié)構(gòu)圖

Fig. 4 Structure diagram of the C2f-Faster module

2) 注意力機(jī)制 CBAM

魚類真實(shí)養(yǎng)殖環(huán)境情況復(fù)雜,為了抑制復(fù)雜

背景特征對檢測的干擾并提高特征提取能力,在

YOLOv8 的特征提取層嵌入 CBAM(Convolutional

Block Attention Module),提高模型的檢測精度。

CBAM 由通道注意力模塊(Channel Attention

Module) 和 空 間 注 意 力 模 塊 ( Spatial Attention

Module)組成,CBAM 模型結(jié)構(gòu)如圖 5 所示。

通道注意力模塊的輸出 MC(F)

[30] 可以通過

以下公式計(jì)算:

MC(F) = σ(MLP(AvgPool(F)) +

MLP(MaxPool(F))) (1)

式中:F 是輸入特征圖,AvgPool 和 MaxPool 分別

表示全局平均池化和最大池化操作,MLP 表示多

層感知機(jī),σ 表示 Sigmoid 激活函數(shù)。 通道注意力

機(jī)制模塊圖如圖 6 所示。

空間注意力模塊的輸出Ms(F)

[30] 可以通過

以下公式計(jì)算:

Ms(F) = σ(f

7?7

([AvgPool(F);MaxPool(F)]))

(2)

式中:f

7?7表示一個 7?7 的卷積操作,[AvgPool

(F);MaxPool(F)] 表示將平均池化和最大池化

結(jié)果沿通道軸拼接起來。 空間注意力模塊圖如圖

7 所示。

CBAM 通過結(jié)合通道注意力和空間注意力,

實(shí)現(xiàn)了對輸入特征的雙重精煉。 這種設(shè)計(jì)使模型

能夠同時關(guān)注哪些通道和哪些空間位置是有意義

的,從而提高了模型的表征能力和決策準(zhǔn)確性,使

網(wǎng)絡(luò)能夠準(zhǔn)確地捕捉到目標(biāo)的重要特征,從而實(shí)

現(xiàn)對于魚體特征的高效提取,削弱了水下環(huán)境的

背景干擾。

Convolutional Block Attention Module





  

圖 5 CBAM 模塊圖

Fig. 5 CBAM module diagram

Channel Attention Module

 F

 

 Mc

MaxPool

AvgPool Shared MLP

圖 6 通道注意力機(jī)制模塊圖

Fig. 6 Diagram of the channel attention mechanism module

94

第 6 期 王鑫怡等:基于改進(jìn) YOLOv8 的輕量級魚類檢測方法

Spatial Attention Module

MaxPool, Avgpool

Conv

layer

 F’

 

 Ms

圖 7 空間注意力機(jī)制模塊圖

Fig. 7 Diagram of the spatial attention mechanism module

3)損失函數(shù) WIoU

YOLOv8 網(wǎng)絡(luò)預(yù)測邊框坐標(biāo)損失 LCIoU 采用的

是 CIoU,其計(jì)算如式 ( 3)

[31]

、 ( 4)

[31]

、 ( 5)

[31]

、

(6)

[31]所示:

LCIoU

=LIoU

+

(x -xgt)

2 +(y -ygt)

2

W

2

g

+H

2

g

+ αv (3)

α =

v

LIoU

+ v

(4)

v =

4

π

2

(arctan

w

h

- arctan

wgt

hgt

)

2

(5)

LIoU

=

WiHi

wh +wgthgt

-WiHi

(6)

式中:α 為權(quán)重函數(shù),用于平衡不同樣本或目標(biāo)之

間的重要性,從而更精確地衡量模型性能。 v 為

縱橫比度量函數(shù),用于衡量高寬比一致性。 CIoU

損失函數(shù)引入了修正因子使模型更容易捕捉目標(biāo)

的準(zhǔn)確形狀。 也考慮了目標(biāo)框的對角線距離,提

高了目標(biāo)檢測模型在定位目標(biāo)時的精度。 同時,

CIoU 將邊界框的縱橫比作為懲罰項(xiàng)加入邊界框

損失函數(shù)中,一定程度上可以加快預(yù)測框的回歸

收斂過程,但是一旦收斂到預(yù)測框和真實(shí)框的寬

和高呈現(xiàn)線性比例時,就會導(dǎo)致預(yù)測框回歸時的

寬和高不能同時增大或者減小。

本研究選擇用動態(tài)非單調(diào)聚焦機(jī)制 WIoU 替

代 CIoU,WIoU 的計(jì)算公式如式(7)

[31]所示。

LWIoU

= rRWIoULIoU,RWIoU ∈[1,e),LIoU ∈[0,1]

(7)

式中:距離聚焦機(jī)制 RWIoU 用于放大普通適量錨

框的 LIoU,并且 RWIoU∈[1,e),將會顯著放大 LIoU。

非單調(diào)聚焦系數(shù) r 用于聚焦普通質(zhì)量的錨框。 非

單調(diào)聚焦系數(shù)是一種用于調(diào)整預(yù)測框和真實(shí)標(biāo)注

框之間匹配程度的系數(shù)。 與單調(diào)聚焦系數(shù)不同,

非單調(diào)聚焦系數(shù)允許在不同 IoU 值范圍內(nèi)對匹配

程度進(jìn)行動態(tài)調(diào)整,從而更精細(xì)地評估模型性能。

RWIoU 的定義如式(8)

[31]

,r 定義如式(9)

[31]

。

RWIoU

= exp(

(x -xgt)

2 +(y -ygt)

2

(W

2

g

+H

2

g )

) (8)

r =

β

δα

β-δ

(9)

其中離群度 β =

LIoU

LIoU

- ∈[0,+∞ ],LIoU

-

表示動態(tài)

滑動平均值,當(dāng)動態(tài)滑動平均值較大時,會導(dǎo)致參

數(shù)更新緩慢,使得邊界框回歸的結(jié)果過于保守,難

以適應(yīng)目標(biāo)的位置變化,從而使得檢測框偏離目

標(biāo)的真實(shí)位置。 當(dāng)動態(tài)滑動平均值較小時,可能

會導(dǎo)致參數(shù)更新過于敏感,使得邊界框回歸的結(jié)

果波動較大,導(dǎo)致檢測框在目標(biāo)周圍波動,并且無

法穩(wěn)定地捕捉到目標(biāo)的準(zhǔn)確位置。 因此,要選擇

合適的動態(tài)滑動平均值來保持檢測框的準(zhǔn)確性和

穩(wěn)定性。 以確保邊界框能夠準(zhǔn)確地回歸到目標(biāo)的

位置。 α,δ 表示超參數(shù),調(diào)節(jié)超參數(shù)可以提高模

型的性能和泛化能力。

與 CIoU 相比,WIoU 不僅去除了縱橫比懲罰

項(xiàng),而且允許使用非單調(diào)聚焦系數(shù)來動態(tài)調(diào)整匹

配程度的權(quán)重,更好地幫助評估目標(biāo)檢測模型的

性能并且優(yōu)化模型表現(xiàn)。 因此,采用 WIoU 作為

損失函數(shù),提高了模型對魚類的檢測能力。

2 結(jié)果與分析

2. 1 其他輕量化網(wǎng)絡(luò)對比

以 YOLOv8 網(wǎng)絡(luò)為基礎(chǔ)網(wǎng)絡(luò),保持除主干網(wǎng)

絡(luò)外其他參數(shù)一致,使用 MobileNetV3、GhostNet、

ShuffleNetV2 替換輕量化特征提取主干網(wǎng)絡(luò),對比

不同主干網(wǎng)絡(luò)的訓(xùn)練結(jié)果。

95

漁 業(yè) 現(xiàn) 代 化 2024 年

結(jié)果 如 表 1 所 示, 相 較 于 MobileNetV3、

GhostNet、ShuffleNetV2 改進(jìn)方法,C2f-Faster 改進(jìn)方

法在訓(xùn)練精確率(P)、召回率(R)、平均精確率

(mAP)3 個方面均優(yōu)于其他網(wǎng)絡(luò)。 雖然 ShuffleNetV2

和 GhostNet 的權(quán)重小于 C2f-Faster 的權(quán)重,但是兩

個模型的特征提取能力較差,不能滿足本研究的

要求,因此決定采用 C2f-Faster 改進(jìn)方法。

表 1 主干網(wǎng)絡(luò)的訓(xùn)練結(jié)果

Tab. 1 Training results of the backbone network

主干網(wǎng)絡(luò) P/ % R/ % mAP/ %

計(jì)算量/

GB

權(quán)重/

MB

MobileNetV3 86. 0 80. 9 90. 1 6. 3 5. 1

ShuffleNetV2 85. 6 80. 1 89. 5 6. 2 4. 8

GhostNet 85. 3 80. 6 89. 6 6. 2 4. 8

C2f-Faster 86. 3 81. 2 90. 3 6. 3 4. 9

2. 2 損失函數(shù)對比

YOLOv8 目標(biāo)檢測模型的邊框回歸損失函數(shù)

是 CIoU,但 CIoU 損失函數(shù)的計(jì)算相對復(fù)雜,需要

計(jì)算角度差異、中心點(diǎn)之間的距離以及寬高比等

指標(biāo),這可能會導(dǎo)致訓(xùn)練過程的計(jì)算速度變慢。

并且在目標(biāo)檢測任務(wù)中存在大量遮擋或者尺度差

異的情況下,CIoU 損失函數(shù)不如其他損失函數(shù)穩(wěn)

定。 試驗(yàn)對比了 YOLOv8 模型采用 CIoU、DIoU、

GIoU、WIoU 損失函數(shù)的收斂情況,試驗(yàn)結(jié)果如圖

8 所示。

0 10 20 30 40 50 60 70 80 90 100

2.6

2.4

2.2

2.0

1.8

1.6

1.4

1.2

1.0

0.8



Epoch/



Loss value

CIoU

DIoU

GIoU

WIoU 圖 8 改進(jìn)損失函數(shù)對比

Fig. 8 Comparison of improved loss functions

由圖 8 可知,采用 GIoU 時,收斂后的損失值

最高,并且收斂速度較慢。 采用 DIoU 時,收斂后

的損失值略低于 GIoU。 采用 CIoU 時,收斂后損

失值略低于 DIoU。 但兩者的收斂速度都高于

GIoU。 采用 WIoU 后,在前 10 輪迭代周期快速收

斂,并且收斂后損失值遠(yuǎn)低于另外 3 種損失函數(shù)。

2. 3 消融試驗(yàn)

為了驗(yàn)證各改進(jìn)模塊在魚類檢測上的有效

性,以 YOLOv8 為基線網(wǎng)絡(luò),對各改進(jìn)模塊進(jìn)行消

融試驗(yàn),主要以精確率、召回率和平均精確率均值

作為參考指標(biāo)。

由表 2 可知,與試驗(yàn) 1 相比,試驗(yàn) 2 添加了

CBAM 作為注意力機(jī)制,模型精確率提高 2. 3 個

百分點(diǎn),召回率提高 3. 1 個百分點(diǎn),平均精度均值

提高 3. 7 個百分點(diǎn),表明添加了 CBAM 注意力機(jī)

制的模型更加關(guān)注和強(qiáng)調(diào)了重要的特征信息,并

且在處理圖像時更具有針對性和專注性,減少了

復(fù)雜背景對于魚類目標(biāo)檢測的干擾。 也表明

CBAM 注意力機(jī)制可以幫助模型在訓(xùn)練和推理過

程中更好地利用和整合輸入的特征信息,從而提

升模型對于關(guān)鍵特征的提取和利用能力。 試驗(yàn) 3

在試驗(yàn) 1 的基礎(chǔ)上替換了 WIoU 作為損失函數(shù),

精確率提高了 2. 1 個百分點(diǎn),召回率提高了 3. 8

個百分點(diǎn),平均精度均值提高了 1. 9 個百分點(diǎn),表

明模型在訓(xùn)練中更加注重目標(biāo)的邊界預(yù)測和重疊

部分的處理,從而使得模型在目標(biāo)檢測任務(wù)中能

夠更準(zhǔn)確地定位和識別目標(biāo),進(jìn)而提高了模型整

體的表現(xiàn)。 試驗(yàn) 4 將損失函數(shù) WIoU 和注意力機(jī)

制 CBAM 結(jié)合,精確率、召回率、平均精確率均值

與原模型相比分別提高 2. 4、4. 7、3. 1 個百分點(diǎn)。

試驗(yàn) 5 將試驗(yàn) 1 原模型中的 C2f 替換成了 C2fFaster,對模型進(jìn)行了輕量化,將模型的計(jì)算量和

權(quán)重都減小為原模型的 78%。 但精確率和召回

率有所下降,其原因是 FasterBlock 是 FasterNet 的

核心組件,旨在通過部分卷積操作減少冗余計(jì)算

和內(nèi)存訪問,但是這也就可能造成了少量特征的

丟失,導(dǎo)致精確率和召回率下降。 為了彌補(bǔ)模型

輕量化帶來的損失,試驗(yàn) 6 和試驗(yàn) 7 都在試驗(yàn) 5

的基礎(chǔ)上分別添加了損失函數(shù) WIoU 和注意力機(jī)

制 CBAM,結(jié)果表明,精確率、召回率、平均精確率

均值都分別有所提升。 所以,試驗(yàn) 8 將兩者都添

加,由結(jié)果可知,與原模型相比,精確率提升了

1. 6 個百分點(diǎn),召回率提升了 5. 1 個百分點(diǎn),平均

96

第 6 期 王鑫怡等:基于改進(jìn) YOLOv8 的輕量級魚類檢測方法

精確率均值提升了 2. 4 個百分點(diǎn),權(quán)重和計(jì)算量

分別減少為原模型的 80%和 79%。 圖 9 展示了

不同環(huán)境、不同種類的魚類目標(biāo)檢測的識別效果,

基本滿足魚類精準(zhǔn)養(yǎng)殖的要求。

表 2 消融試驗(yàn)結(jié)果

Tab. 2 Results of ablation experiments

試驗(yàn)編號 基線網(wǎng)絡(luò) C2f-Faster CBAM WIoU

精確率

P/ %

召回率

R/ %

平均精確率

mAP/ %

權(quán)重 /

MB

計(jì)算量/

GFLOPS

1 YOLOv8 × × × 87. 0 82. 8 90. 7 6. 3 8. 1

2 YOLOv8 × √ × 89. 3 85. 9 93. 7 6. 5 8. 2

3 YOLOv8 × × √ 89. 1 86. 6 92. 6 6. 3 8. 1

4 YOLOv8 × √ √ 89. 4 87. 5 93. 8 6. 5 8. 2

5 YOLOv8 √ × × 86. 3 81. 2 90. 3 4. 9 6. 3

6 YOLOv8 √ × √ 87. 4 85. 5 92. 0 4. 9 6. 3

7 YOLOv8 √ √ × 87. 0 87. 2 92. 9 5. 1 6. 4

8 YOLOv8 √ √ √ 88. 6 87. 9 93. 1 5. 1 6. 4

注:√表示使用該模塊;×表示不使用該模塊

圖 9 魚類目標(biāo)檢測效果圖

Fig. 9 Effect of fish target detection

3 結(jié)論

提出了一種基于改進(jìn) YOLOv8 的輕量級魚類

檢測 方 法 模 型。 模 型 引 入 FasterBlock 替 換

YOLOv8 的 C2f 中 Bottleneck 模塊構(gòu)成 C2f-Faster

模塊,實(shí)現(xiàn)模型輕量化;引入了 CBAM 注意力機(jī)

制,增強(qiáng)了特征表達(dá)能力,減少了復(fù)雜背景對魚類

目標(biāo)檢測的干擾,解決了模型輕量化帶來的精確

率損失、遮擋問題;最后,將損失函數(shù) CIoU 更改為

WIoU,提升了模型的性能和泛化能力。 消融試驗(yàn)

結(jié)果表明,與傳統(tǒng)的輕量化主干網(wǎng)絡(luò)相比,改進(jìn)后

模型的權(quán)重下降為原模型的 80%,精確率提高了

1. 2 個百分點(diǎn); 3 項(xiàng)改進(jìn)有效地解決了計(jì)算復(fù)雜

度、檢測速度和檢測精度不平衡問題。 相比于原

始 YOLOv8 模型,該模型在平均精確率 mAP 上提

高了 2. 4 個百分點(diǎn)。 與現(xiàn)有的魚類目標(biāo)檢測模型

相比,該模型能夠較為準(zhǔn)確和快速地完成目標(biāo)檢

測任務(wù)。 本研究提出的 YOLOv8-FCW 模型,具有

很好的檢測效果,同時運(yùn)算量較小,檢測速度較

快,能夠以較小的計(jì)算資源成本完成養(yǎng)殖環(huán)境中

的魚類目標(biāo)檢測任務(wù),適合部署在大多數(shù)的養(yǎng)殖

環(huán)境中。 □

參考文獻(xiàn)

[1] 莽琦,徐鋼春,朱健,等. 中國水產(chǎn)養(yǎng)殖發(fā)展現(xiàn)狀與前景展望

[J]. 漁業(yè)現(xiàn)代化,2022,49(2):1-9.

[2] 劉永新,劉晃,方輝,等. 中國深藍(lán)漁業(yè)發(fā)展現(xiàn)狀與未來愿景

[J]. 水產(chǎn)學(xué)報,2022,46(4):706-717.

[3] 張謚卓,楊子江,于書洲. 日本藍(lán)鰭金槍魚養(yǎng)殖業(yè)發(fā)展戰(zhàn)略分

析及對 我 國 的 啟 示 [ J ]. 南 方 農(nóng) 業(yè) 學(xué) 報, 2023, 54 ( 9 ):

2811-2820.

[4] 李道亮,劉暢. 人工智能在水產(chǎn)養(yǎng)殖中研究應(yīng)用分析與未來

展望[J]. 智慧農(nóng)業(yè)(中英文),2020,2(3):1-20.

[5] 耿艷利,宋朋首,林彥伯,等. 采用改進(jìn) CNN 對生豬異常狀態(tài)

聲音識別[J]. 農(nóng)業(yè)工程學(xué)報,2021,37(20):187-193.

[6] 樊湘鵬,許燕,周建平,等. 基于遷移學(xué)習(xí)和改進(jìn) CNN 的葡萄

葉部病 害 檢 測 系 統(tǒng) [ J ]. 農(nóng) 業(yè) 工 程 學(xué) 報, 2021, 37 ( 6 ):

151-159.

[7] 劉洋,馮全,王書志. 基于輕量級 CNN 的植物病害識別方法

及移動端應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報,2019,35(17):194-204.

[8] 杜蕓彥,楊錦輝,李鴻,等. 基于改進(jìn) Faster RCNN 的少樣本

目標(biāo)檢測算法[J]. 電光與控制,2023,30(5):44-51.

[9] 毛銳,張宇晨,王澤璽,等. 利用改進(jìn) Faster-RCNN 識別小麥

條銹病和黃矮病[J]. 農(nóng)業(yè)工程學(xué)報,2022,38(17):176-185.

[10]譚鶴群,李玉祥,朱明,等. 通過圖像增強(qiáng)與改進(jìn) Faster-RCNN

97

漁 業(yè) 現(xiàn) 代 化 2024 年

網(wǎng)絡(luò)的重疊魚群尾數(shù)檢測 [ J]. 農(nóng)業(yè)工程學(xué)報, 2022, 38

(13): 167-176.

[11]吳堅(jiān),秦玉廣. 基于改進(jìn) YOLOv5 的農(nóng)田苗草檢測方法[ J].

江蘇農(nóng)業(yè)科學(xué), 2024, 52 (13): 197-204.

[12]李麗,梁繼元,張?jiān)品?等. 基于改進(jìn) YOLOv5 的復(fù)雜環(huán)境下

柑橘目標(biāo)精準(zhǔn)檢測與定位方法[ J]. 農(nóng)業(yè)機(jī)械學(xué)報, 2024,

55 (8): 280-290.

[13]苗榮慧,李港澳,黃宗寶,等. 基于 YOLOv7-ST-ASFF 的復(fù)雜

果園環(huán)境下蘋果成熟度檢測方法[ J]. 農(nóng)業(yè)機(jī)械學(xué)報,2024,

55 (6): 219-228.

[14]張佳澤,張勝茂,樊偉,等. 基于 YOLOv5 改進(jìn)模型的丁香魚

圍網(wǎng)作 業(yè) 目 標(biāo) 檢 測 研 究 [ J ]. 海 洋 漁 業(yè), 2023, 45 ( 5 ):

618-630.

[15]唐魯婷,黃洪瓊. 基于 YOLOv7 的輕量化水下目標(biāo)檢測算法

[J]. 電光與控制, 2024, 31 (9): 92-97.

[16]李娟莉,魏代良,李博,等. 基于深度學(xué)習(xí)輕量化的改進(jìn) SSD

煤矸快速分選模型[J]. 東北大學(xué)學(xué)報(自然科學(xué)版),2023,

44 (10):1474-1480.

[17]李靜,喻佳成,張靈靈. 基于改進(jìn) SSD 的航拍飛機(jī)目標(biāo)檢測

方法[J]. 液晶與顯示,2023,38(1):128-137.

[18]胡凱,駱潤玫,劉澤乾,等. 基于改進(jìn) SSD 的廣佛手病蟲害檢

測方法[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報,2023,46(4):813-821.

[19]蔣晨,錢永明,姚興田,等. 基于可變形卷積改進(jìn) SSD 算法的

目標(biāo)檢測方法[J]. 電子測量技術(shù),2022,45(16):116-122.

[20]李慶忠,李宜兵,牛炯. 基于改進(jìn) YOLO 和遷移學(xué)習(xí)的水下魚

類目標(biāo)實(shí)時檢測[ J]. 模式識別與人工智能,2019,32 ( 3):

193-203.

[21]袁紅春,張碩. 基于 Faster R-CNN 和圖像增強(qiáng)的水下魚類目

標(biāo)檢測方法[J]. 大連海洋大學(xué)學(xué)報,2020,35(4):612-619.

[22]張明華,龍騰,宋巍,等. 基于改進(jìn) Cascade R-CNN 和圖像增

強(qiáng)的夜 晚 魚 類 檢 測 [ J ]. 農(nóng) 業(yè) 機(jī) 械 學(xué) 報, 2021, 52 ( 9 ):

179-185.

[23]陳露露,臧兆祥,黃天星. 基于 YOLOv5 和膨脹卷積的魚類目

標(biāo)檢測算法[J]. 長江信息通信,2022,35(7):63-66.

[24]閆黨康. 基于改進(jìn)的 Mask R-CNN 的魚類識別算法研究

[J]. 計(jì)算機(jī)與數(shù)字工程,2023,51(6):1238-1243.

[25]梅海彬,黃政,袁紅春. 基于 YOLOv7 模型改進(jìn)的輕量級魚類

目標(biāo)檢 測 方 法 [ J ]. 大 連 海 洋 大 學(xué) 學(xué) 報, 2023, 38 ( 6 ):

1032-1043.

[26]岳凱,張鵬超,王磊,等. 基于改進(jìn) YOLOv8n 的復(fù)雜環(huán)境下柑

橘識別[J]. 農(nóng)業(yè)工程學(xué)報,2024,40(8):152-158.

[27]HOWARD A G, ZHU M, CHEN B, et al. Mobilenets: Efficient

convolutional neural networks for mobile vision applications

[ EB/ OL ]. ( 2017-04-17 ) [ 2023-01-12 ]. https: / / arxivorg /

abs/ 1704. 04861.

[28]ZHANG X, ZHOU X, LIN M, et al. Shufflenet:An extremely

efficient convolutional neural network for mobile devices[ C] / /

Proceedings of the IEEE Conference on Computer Vision and

Pattern Recognition. Salt Lake City. UT. USA: IEEE. 2018:

6848-6856.

[29]HAN K, WANG Y, TIAN Q, et al. Ghostnet:More features from

cheap operations [ C ] / / Proceedings of the IEEE/ CVF

Conference on Computer Vision and Pattern Recognition Seattle.

WA. USA:IEEE. 2020:1580-1589.

[30]曹靜雯,孟娟,朱珈緣,等. 基于 YOLOv7 的輕量級魚類目標(biāo)

檢測算法[J]. 現(xiàn)代電子技術(shù), 2024, 47 (11): 78-83.

[31]李茂 ,肖洋軼 ,宗望遠(yuǎn) ,等. 基于改進(jìn) YOLOv8 模型的輕量

化板栗果實(shí)識別方法[ J]. 農(nóng)業(yè)工程學(xué)報, 2024, 40 ( 1):

201-209.

98