楊國偉，周 超，胡起立，孫麗慧，張俊杰，郭建林

(1 杭州電子科技大學(xué) 通信工程學(xué)院，浙江 杭州 310018；2 杭州海關(guān)技術(shù)中心環(huán)境與化學(xué)安全檢測(cè)研究所，浙江 杭州 311215；3 浙江省淡水水產(chǎn)研究所 智慧漁業(yè)研究團(tuán)隊(duì)，浙江 湖州 313001)

紅螯螯蝦(Cheraxquadricarinatus)又稱澳洲淡水龍蝦，其個(gè)體大、生長(zhǎng)快、營養(yǎng)價(jià)值豐富、肉質(zhì)口感好，得到了廣大消費(fèi)者和水產(chǎn)養(yǎng)殖業(yè)的青睞[1-2]，近年來全國養(yǎng)殖規(guī)模正在不斷擴(kuò)大，水產(chǎn)品總產(chǎn)量迅猛增長(zhǎng)[3-4]。螯蝦的高效人工繁育是實(shí)現(xiàn)大規(guī)模人工養(yǎng)殖的關(guān)鍵環(huán)節(jié)，其中蝦卵數(shù)量是后期孵化、培育、養(yǎng)殖和產(chǎn)出數(shù)量的重要前饋信息。目前，實(shí)際孵化場(chǎng)的蝦卵計(jì)數(shù)還基本采用打樣和人工計(jì)數(shù)方式，存在計(jì)數(shù)工作煩瑣和準(zhǔn)確性差等問題。準(zhǔn)確的蝦卵計(jì)數(shù)一方面可以給養(yǎng)殖場(chǎng)管理者提供有效養(yǎng)殖管理信息，實(shí)現(xiàn)更加精準(zhǔn)的放養(yǎng)管理，從而準(zhǔn)確控制養(yǎng)殖成本。另一方面，可以通過蝦卵數(shù)量預(yù)估螯蝦捕撈量，解決螯蝦供求關(guān)系中產(chǎn)量預(yù)估不準(zhǔn)確，造成水產(chǎn)市場(chǎng)滯銷或者供不應(yīng)求的現(xiàn)象[5-6]。

隨著計(jì)算機(jī)視覺的發(fā)展，諸多神經(jīng)網(wǎng)絡(luò)模型被融合到計(jì)算機(jī)視覺應(yīng)用上，特別是為密集場(chǎng)景識(shí)別提供了新的思路，并且可以延伸到農(nóng)業(yè)領(lǐng)域[7-8]。與傳統(tǒng)數(shù)字圖像處理技術(shù)不同，基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)視覺技術(shù)提供了一種高精度、輕設(shè)備的通用化識(shí)別檢測(cè)方案[9-10]。

在水生生物卵子識(shí)別領(lǐng)域，已有一批學(xué)者做了大量的研究。Witthames等[11]發(fā)明了一種對(duì)魚卵自動(dòng)計(jì)數(shù)的電子系統(tǒng)裝置，該裝置利用懸浮水中的魚卵經(jīng)過電子傳感器時(shí)產(chǎn)生的電壓脈沖來對(duì)魚卵進(jìn)行計(jì)數(shù)。該計(jì)數(shù)裝置可以實(shí)現(xiàn)99.5%精度的魚卵計(jì)數(shù)任務(wù)，魚卵直徑需控制在200～2 500 μm，這種方法需要讓魚卵一粒一粒穿過而導(dǎo)致計(jì)數(shù)速度受限，還需要對(duì)魚卵進(jìn)行一定操作而導(dǎo)致魚卵一定程度損傷。張杭文等[12]提出一種基于數(shù)字圖像處理的魚卵計(jì)數(shù)方法，使用OpenCV對(duì)已經(jīng)預(yù)處理過的魚卵圖像進(jìn)行輪廓檢索和輪廓繪制計(jì)數(shù)，報(bào)道精度可達(dá)99.7%，但這是圖像中魚卵數(shù)量較少、分布分散情況下的測(cè)試結(jié)果。Friedland等[13]使用商業(yè)軟件包Optimas對(duì)魚卵計(jì)數(shù)，精度為99%，但是依靠多種人工特征將魚卵從圖像背景中分離出來，導(dǎo)致圖像預(yù)處理太過繁瑣。Duan等[14]提出一種基于閾值分割、形態(tài)學(xué)處理的自動(dòng)化方法對(duì)大西洋黑線鱈卵進(jìn)行計(jì)數(shù)，精度為94%，但是這種自動(dòng)化方法僅適用于透明遠(yuǎn)洋魚卵，普適性較差。

國內(nèi)外學(xué)者對(duì)水生生物卵子的識(shí)別技術(shù)做了諸多的研究，先前的研究大多利用傳統(tǒng)數(shù)字圖像特征提取技術(shù)和機(jī)器學(xué)習(xí)方法，過程煩瑣且普適性較低。其次先前研究采用的圖像中，卵的分布密度不高、較分散，無法應(yīng)對(duì)真實(shí)場(chǎng)景下蝦卵的高密集識(shí)別。隨著深度學(xué)習(xí)圖像處理技術(shù)的快速發(fā)展，在水產(chǎn)領(lǐng)域的應(yīng)用也快速發(fā)展起來。近年來，范松偉等[15]采用深度學(xué)習(xí)技術(shù)，利用卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)蝦苗圖像特征，根據(jù)神經(jīng)網(wǎng)絡(luò)輸出的密度圖進(jìn)行計(jì)數(shù)。結(jié)果顯示，在均勻光背景環(huán)境下可以對(duì)較高密度的蝦苗準(zhǔn)確估計(jì)其數(shù)量，符合養(yǎng)殖業(yè)的計(jì)數(shù)要求。王金鳳等[16]利用CSRNet網(wǎng)絡(luò)構(gòu)建的魚群密度智能檢測(cè)系統(tǒng)可預(yù)防魚群高密度缺氧，提高魚產(chǎn)量，實(shí)現(xiàn)智能養(yǎng)殖。以上研究大多為魚卵計(jì)數(shù)，對(duì)于蝦卵計(jì)數(shù)的研究較少。紅螯螯蝦蝦卵的尺寸較大且呈橢球形，而一般魚卵的尺寸小且呈球形，將魚卵的計(jì)數(shù)裝置直接應(yīng)用到蝦卵上會(huì)因?yàn)槌叽绾托螒B(tài)差異而產(chǎn)生一定誤差，所以對(duì)密集蝦卵計(jì)數(shù)的研究仍是十分重要和必要的。

本研究采用一種基于殘差模塊的端到端蝦卵計(jì)數(shù)模型，利用神經(jīng)網(wǎng)絡(luò)對(duì)蝦卵圖像不同維度的特征進(jìn)行提取，通過融合殘差模塊的方法，設(shè)計(jì)了一套蝦卵自動(dòng)計(jì)數(shù)裝置，以應(yīng)對(duì)真實(shí)場(chǎng)景下的蝦卵計(jì)數(shù)。

1 數(shù)據(jù)集與計(jì)數(shù)模型

1.1 數(shù)據(jù)集制作

在浙江省淡水水產(chǎn)研究所八里店綜合試驗(yàn)基地養(yǎng)殖場(chǎng)進(jìn)行蝦卵采集，首先用梳子將蝦卵輕輕地梳下來，酒精消毒后裝入盛水容器，如圖1。蝦卵梳離由研究所專業(yè)人員操作完成，力求不對(duì)蝦卵造成傷害。

根據(jù)試驗(yàn)基地人員的前期統(tǒng)計(jì)，紅螯螯蝦單次產(chǎn)卵量在200～600粒之間，蝦卵呈橢球形，蝦卵短直徑在1.5～1.9 mm之間，長(zhǎng)直徑在2.40～2.85 mm之間。試驗(yàn)時(shí)，每次取不同數(shù)量的蝦卵放入盛有清水的計(jì)數(shù)容器中，輕輕晃動(dòng)，防止蝦卵成塊堆疊。然后設(shè)置數(shù)字相機(jī)分辨率為640×480，一次可以清晰拍攝2～3尾紅螯螯蝦蝦卵，并且每次拍照蝦卵需呈現(xiàn)不同分布以便在訓(xùn)練時(shí)增強(qiáng)模型的魯棒性，最終得到高質(zhì)量的蝦卵圖像450張，圖2所示樣本是呈現(xiàn)不同分布的兩張蝦卵圖像。根據(jù)文獻(xiàn)[17-19]提出的算法，編寫蝦卵標(biāo)注程序，對(duì)蝦卵圖像中的每粒蝦卵進(jìn)行人工標(biāo)注，如圖3。

圖2 蝦卵圖像的樣本

圖3 蝦卵標(biāo)注(右側(cè)為局部區(qū)域放大圖)

這種標(biāo)注方法利用了圖像中目標(biāo)蝦卵的空間分布信息，可以將蝦卵的計(jì)數(shù)轉(zhuǎn)換成密度圖的估計(jì)問題。標(biāo)注過程中得到的每個(gè)蝦卵的坐標(biāo)值，代表一個(gè)單位沖激函數(shù)。

(1)

式中：x表示圖像中的像素點(diǎn)，xi為標(biāo)記的蝦卵像素點(diǎn)。

首先生成蝦卵圖像等大的初始密度矩陣，蝦卵坐標(biāo)所對(duì)應(yīng)的矩陣元素設(shè)為1，其余元素則為0。對(duì)于一張包含了N粒蝦卵的圖像可表示為一個(gè)僅有數(shù)字0和1組成的稀疏密度矩陣H(x)。

(2)

利用高斯核函數(shù)Gσ(x)對(duì)得到的密度矩陣H(x)進(jìn)行高斯濾波，從而產(chǎn)生密度圖F(x)。

F(x)=H(x)×Gσ(x)

(3)

使用鏡像、翻轉(zhuǎn)等[20-21]方法對(duì)450張蝦卵照片及其對(duì)應(yīng)的人工標(biāo)注生成的標(biāo)簽文件進(jìn)行樣本數(shù)據(jù)增強(qiáng)，同時(shí)防止過擬合情況的出現(xiàn)[22]。在訓(xùn)練過程中，訓(xùn)練集和測(cè)試集所占比為7∶3。由于始終保持自上而下相同距離的垂直俯拍視角，因此不存在類似Shanghaitech數(shù)據(jù)集中視角畸變導(dǎo)致的同一幅圖像中距離攝像頭近的目標(biāo)所占像素多而距離遠(yuǎn)的目標(biāo)所占像素少的情況[23]。根據(jù)大量試驗(yàn)，在高斯核參數(shù)σ=4時(shí)計(jì)數(shù)的精度最高。因此，本研究所有測(cè)試均將高斯核參數(shù)σ設(shè)為4。

1.2 計(jì)數(shù)模型

1.2.1 殘差模塊結(jié)構(gòu)

ResNet是一種新的深度學(xué)習(xí)網(wǎng)絡(luò)，通過將淺層的殘差傳遞到神經(jīng)網(wǎng)絡(luò)的深層，主要解決了深層網(wǎng)絡(luò)在模型訓(xùn)練過程中的退化問題[24]。在本設(shè)計(jì)基于殘差模塊的蝦卵計(jì)數(shù)模型中，使用的殘差模塊有兩種，一種是基本殘差模塊，其輸入和輸出的特征映射在維度和尺寸方面都相同，另一種是帶有下采樣和升維的殘差模塊，該模塊來自ResNet50，殘差模塊的中間部分使用步長(zhǎng)為2的卷積對(duì)特征映射進(jìn)行下采樣，殘差模塊的上層部分利用1×1卷積對(duì)輸入特征進(jìn)行下采樣和升維以便進(jìn)行殘差連接操作。本研究在殘差模塊中還引入了批歸一化(Batch Normalization)概念，主要解決了神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)耗時(shí)久、易過擬合的缺點(diǎn)，具體過程如圖4。

圖4 基本殘差模塊(A)和有下采樣和升維的殘差模塊(B)

1.2.2 計(jì)數(shù)模型設(shè)計(jì)

設(shè)計(jì)的一種基于殘差模塊的端到端蝦卵計(jì)數(shù)模型,分為前端網(wǎng)絡(luò)和后端網(wǎng)絡(luò)兩個(gè)部分，如圖5。為了使網(wǎng)絡(luò)在低層就能獲得較大的感受野，前端網(wǎng)絡(luò)的前兩層采用了卷積核大小為3×3，padding=2，膨脹率為2的膨脹卷積作為輸入層，且第二層膨脹卷積的步長(zhǎng)設(shè)置為2，以實(shí)現(xiàn)下采樣[25]。

圖5 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

接著使用殘差模塊對(duì)特征映射進(jìn)行升維和傳遞，使得淺層網(wǎng)絡(luò)所提取的特征能夠傳向深層網(wǎng)絡(luò)，這樣前端網(wǎng)絡(luò)就完成了對(duì)圖像中蝦卵位置信息的特征提取[26]。

后端網(wǎng)絡(luò)由8層3×3的卷積層和三層轉(zhuǎn)置卷積組合而成[27]，其中轉(zhuǎn)置卷積的尺寸為4×4，步長(zhǎng)為2，轉(zhuǎn)置卷積起到對(duì)特征信息進(jìn)行上采樣的作用。使用轉(zhuǎn)置卷積代替主流框架中默認(rèn)的線性插值方法是為了使神經(jīng)網(wǎng)絡(luò)自己學(xué)習(xí)上采樣參數(shù)，從而上采樣的結(jié)果更接近真實(shí)值，較好地反映出蝦卵的位置空間信息。特征映射每經(jīng)過一層轉(zhuǎn)置卷積，尺寸就會(huì)變?yōu)橄惹暗膬杀丁＿@樣前端網(wǎng)絡(luò)的1/8特征映射經(jīng)過后端網(wǎng)絡(luò)的三次轉(zhuǎn)置卷積之后又可以變成原始圖像大小。

2 測(cè)試結(jié)果與分析

2.1 試驗(yàn)平臺(tái)

為了保證對(duì)比試驗(yàn)的公平性，所有的訓(xùn)練和測(cè)試均在相同計(jì)算平臺(tái)和數(shù)據(jù)集上進(jìn)行。計(jì)算平臺(tái)的配置如下：CPU XEON 5115，GPU NVDIA GTX 2080Ti，軟件環(huán)境Python 3.7、CUDN 10.0、Pytorch3.7，操作系統(tǒng)Ubuntu 16.04.6。在相同的試驗(yàn)環(huán)境下，本研究計(jì)數(shù)模型與基于大規(guī)模圖像識(shí)別網(wǎng)絡(luò)(VGG-16)[28]、擁擠場(chǎng)景識(shí)別網(wǎng)絡(luò)(CSRNet)[29]、多列卷積網(wǎng)絡(luò)(MCNN)[30]、規(guī)模聚集網(wǎng)絡(luò)(SANet)[31]的計(jì)數(shù)模型進(jìn)行對(duì)比測(cè)試。

2.2 模型訓(xùn)練

在計(jì)數(shù)模型訓(xùn)練過程中，使用標(biāo)準(zhǔn)差為0.01的高斯函數(shù)對(duì)網(wǎng)絡(luò)中的參數(shù)進(jìn)行隨機(jī)初始化，設(shè)置學(xué)習(xí)率(Learning rate)為 0.000 01，批大小(Batch size)為50，遍歷次數(shù)(Epoch)為200，使用Adam優(yōu)化器，并選取公式(4)作為損失函數(shù)對(duì)模型進(jìn)行優(yōu)化。

(4)

2.3 試驗(yàn)結(jié)果

2.3.1 密度圖質(zhì)量評(píng)估

在測(cè)試集中，通過隨機(jī)選取2張蝦卵圖像的真實(shí)密度圖與本模型得到的預(yù)測(cè)密度圖進(jìn)行對(duì)比，如圖6所示?？梢缘贸觯A(yù)測(cè)密度圖和真實(shí)密度圖之間差異很小，模型預(yù)測(cè)值與蝦卵真實(shí)值也非常接近。圖像左上角數(shù)值代表蝦卵個(gè)數(shù)。

圖6 預(yù)測(cè)密度圖與真實(shí)密度圖對(duì)比

為了定量評(píng)估蝦卵計(jì)數(shù)模型的性能，選取結(jié)構(gòu)相似性(Structural Similarity,SSIM)和峰值信噪比(Peak Signal to Noise Ratio,PSNR)作為評(píng)估指標(biāo)，來比較預(yù)測(cè)密度圖(x)和真實(shí)密度圖(y)之間的差距。SSIM越接近1，且PSNR越高，則輸出的密度圖質(zhì)量越好。SSIM、PSNR的計(jì)算公式如下。

(5)

(6)

使用隨機(jī)抽取的50張蝦卵圖像作為測(cè)試集進(jìn)行所有對(duì)比試驗(yàn)，對(duì)比模型選用VGG-16、CSRNet、MCNN、SANet，最后結(jié)果取均值并保留4位小數(shù)，如表1所示?？梢?，基于殘差模塊的計(jì)數(shù)模型在SSIM、PSNR兩個(gè)指標(biāo)上都取得了最好的效果。

表1 各種計(jì)數(shù)模型生成密度圖質(zhì)量的比較

其次損失值的變化也是判斷神經(jīng)網(wǎng)絡(luò)是否發(fā)生過擬合和欠擬合的重要依據(jù)，如圖7所示，計(jì)數(shù)模型的訓(xùn)練損失和測(cè)試損失在前20輪Epoch中下降迅速，后面趨于平緩。損失值在140輪Epoch過后，波動(dòng)的幅度幾乎不大，且處于較低水平，可見本研究提出的基于殘差模塊的蝦卵計(jì)數(shù)網(wǎng)絡(luò)易收斂，且沒有出現(xiàn)過擬合和欠擬合的情況。

圖7 訓(xùn)練和測(cè)試損失變化

2.3.2 計(jì)數(shù)誤差評(píng)估

根據(jù)相關(guān)文獻(xiàn)[32]，選用在深度學(xué)習(xí)領(lǐng)域應(yīng)用廣泛的三個(gè)指標(biāo)評(píng)估蝦卵計(jì)數(shù)精度，絕對(duì)誤差(xMAE)、均方誤差(xMSE)和精確度(xAcc)。xMAE和xMSE的值越低，xAcc越高，則表示計(jì)數(shù)模型的計(jì)數(shù)精度越高，計(jì)算公式如下。

(7)

(8)

(9)

使用先前隨機(jī)抽取的50張測(cè)試數(shù)據(jù)集樣本進(jìn)行試驗(yàn)，每幅圖像中蝦卵最少201粒，最多1 217粒，平均565粒。本文提出的基于殘差模塊的蝦卵計(jì)數(shù)模型的計(jì)數(shù)誤差波動(dòng)如圖8所示，平均誤差為5粒，最大誤差為13粒。

圖8 蝦卵計(jì)數(shù)誤差波動(dòng)

為了全面展示計(jì)數(shù)精度，測(cè)試集中所有圖像的預(yù)測(cè)值和真實(shí)值的散點(diǎn)對(duì)比圖展示在圖9中。由圖9可知蝦卵數(shù)量預(yù)測(cè)值和真實(shí)值之間差距很小。根據(jù)公式(9)，可得本研究提出的基于殘差模塊計(jì)數(shù)模型的精度為98.88%，表明殘差模塊作為前端特征提取網(wǎng)絡(luò)，精確地傳遞了蝦卵空間位置信息，反映出真實(shí)的密度分布圖，較好地解決了蝦卵數(shù)量大、個(gè)體小、高密集場(chǎng)景的計(jì)數(shù)難點(diǎn)。

圖9 50張測(cè)試集中蝦卵真實(shí)值和預(yù)測(cè)值對(duì)比

圖10展示了兩張測(cè)試樣本在不同神經(jīng)網(wǎng)絡(luò)計(jì)數(shù)模型下的結(jié)果，左上角標(biāo)出的數(shù)字為當(dāng)前算法下蝦卵的個(gè)數(shù)。第一列為原始圖像，第二列為真實(shí)密度圖，第三列為本文方法的預(yù)測(cè)密度圖，其余列為對(duì)比計(jì)數(shù)模型的預(yù)測(cè)密度圖。通過可視化蝦卵密度圖，對(duì)比各種模型，可以得出本文計(jì)數(shù)模型在蝦卵密集分布且有粘連的情況下，生成的預(yù)測(cè)密度圖質(zhì)量高、較清晰，對(duì)于蝦卵目標(biāo)的細(xì)節(jié)更加精細(xì)，背景和前景輪廓的區(qū)分更加明顯。 在50張圖像的測(cè)試集中，計(jì)算不同計(jì)數(shù)模型的xMAE、xMSE和xAcc。

(A)真實(shí)蝦卵圖像，(B)真實(shí)密度圖，(C)-(G)本文計(jì)數(shù)網(wǎng)絡(luò)、密集場(chǎng)景識(shí)別網(wǎng)絡(luò)、多列卷積網(wǎng)絡(luò)、規(guī)模聚集網(wǎng)絡(luò)、大規(guī)模識(shí)別網(wǎng)絡(luò)的預(yù)測(cè)密度圖

從表2結(jié)果看，相比于VGG-16、MCNN、SANet、CSRNet，本研究所提出的計(jì)數(shù)模型在蝦卵計(jì)數(shù)方面取得了最低的xMAE值(5.05)和xMSE值(6.23)，以及最高的xAcc值(98.88%)，對(duì)比魯棒性較好的CSRNet有較大提升。

表2 各種計(jì)數(shù)模型的誤差指標(biāo)對(duì)比

說明基于殘差模塊的計(jì)數(shù)模型在密集的小顆粒物體計(jì)數(shù)方面有非常優(yōu)越的性能，可以很好地應(yīng)用于實(shí)際孵化過程中卵細(xì)胞的計(jì)數(shù)工作，方便工作人員開展水產(chǎn)生物的繁衍研究。

2.4 蝦卵自動(dòng)計(jì)數(shù)裝置

為了驗(yàn)證本方法的實(shí)用性，搭建了一套結(jié)構(gòu)簡(jiǎn)單、操作方便的自動(dòng)計(jì)數(shù)裝置，相應(yīng)地開發(fā)了基于本研究所提出計(jì)數(shù)模型的應(yīng)用軟件。計(jì)數(shù)裝置包括數(shù)字工業(yè)相機(jī)、計(jì)容器和個(gè)人筆記本電腦，如圖11A所示。計(jì)數(shù)軟件由PyQt設(shè)計(jì)，左上方為實(shí)時(shí)視頻畫面，右上方可以調(diào)整工業(yè)相機(jī)的參數(shù)(曝光時(shí)間、增益、亮度、對(duì)比度)、密度圖的保存路徑以及采樣頻率，左下方是當(dāng)前圖像幀對(duì)應(yīng)的密度圖，右下方顯示是當(dāng)前密度圖中蝦卵的個(gè)數(shù)以及先前采樣的總數(shù)，如圖11B所示。該自動(dòng)計(jì)數(shù)裝置是一種實(shí)用性強(qiáng)、使用簡(jiǎn)便的通用計(jì)數(shù)系統(tǒng)，所有部件可以自行購買和組裝，有助于廣泛開展自動(dòng)化蝦卵計(jì)數(shù)技術(shù)的研究工作，并且可以延伸到魚類養(yǎng)殖領(lǐng)域。

圖11 自動(dòng)計(jì)數(shù)裝置(A)及計(jì)數(shù)軟件界面(B)

3 討論

3.1 網(wǎng)絡(luò)模型對(duì)比分析

對(duì)比常用于密集人群計(jì)數(shù)的SANet、MCNN、CSRNet等卷積神經(jīng)網(wǎng)絡(luò)模型，本研究的難度在于密集的蝦卵更容易產(chǎn)生粘連，因此本研究采用殘差結(jié)構(gòu)，使得蝦卵位置信息得到更好的傳遞，從而生成質(zhì)量更高的預(yù)測(cè)密度圖。通過對(duì)模型生成的預(yù)測(cè)密度圖和原始密度圖進(jìn)行結(jié)構(gòu)相似性分析可知，基于殘差模塊的蝦卵計(jì)數(shù)模型輸出的預(yù)測(cè)密度圖有93.08%的相似度，而其他的網(wǎng)絡(luò)模型的SSIM值普遍都在60%左右，可見在深度學(xué)習(xí)的訓(xùn)練過程中，殘差模塊相比于其他網(wǎng)絡(luò)的特征提取模塊有更強(qiáng)的學(xué)習(xí)能力，具有很強(qiáng)抑制背景噪聲和雜質(zhì)干擾的能力。

對(duì)比采用經(jīng)典圖像處理的較分散魚卵、魚苗計(jì)數(shù)[33-34]，本研究主要關(guān)注蝦卵密集粘連情況，因此使用深度學(xué)習(xí)克服傳統(tǒng)數(shù)字圖像處理技術(shù)較難處理的粘連蝦卵計(jì)數(shù)，首先輸入模型前無需對(duì)蝦卵圖像進(jìn)行較多的預(yù)處理，簡(jiǎn)化了操作步驟，其次依靠神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)，自動(dòng)更新模型參數(shù)值，擺脫了傳統(tǒng)圖像算法依靠人工尋找蝦卵特征的煩瑣操作，并且在計(jì)數(shù)結(jié)果上顯著提高了計(jì)數(shù)精度。

對(duì)比基于two-stage方法的害蟲計(jì)數(shù)模型[35]，本研究所提出的基于殘差模塊的蝦卵計(jì)數(shù)算法則是一種回歸模型。從神經(jīng)網(wǎng)絡(luò)輸出的結(jié)果上看，前者輸出的是目標(biāo)類別和位置點(diǎn)信息，有利于定位和追蹤單個(gè)目標(biāo)，后者輸出的是蝦卵總數(shù)和高質(zhì)量的蝦卵密度圖，有利于養(yǎng)殖者對(duì)離體孵化期間的蝦卵密度進(jìn)行研究分析和觀察，及時(shí)發(fā)現(xiàn)高密集的蝦卵，防止蝦卵因高度密集而出現(xiàn)供氧不足、孵化率降低的情況。

對(duì)比基于Yolo模型的計(jì)數(shù)方法[36-37]，本研究采用點(diǎn)式打標(biāo)簽方法，在密集小目標(biāo)的標(biāo)注過程中相比于包圍框式的標(biāo)簽更便捷，并且采用端到端的編解碼網(wǎng)絡(luò)，模型計(jì)數(shù)精度提高至98.88%，單次檢測(cè)誤差平均為5粒蝦卵。不過，本文計(jì)數(shù)模型網(wǎng)絡(luò)結(jié)構(gòu)相對(duì)復(fù)雜，檢測(cè)平均幀率約為5幀/s，盡管基本達(dá)到應(yīng)用需求，但在計(jì)算速度方面較基于one-stage方法的Yolo模型仍有待進(jìn)一步優(yōu)化。后續(xù)研究可在模型蒸餾、單層卷積剪枝和模型參數(shù)量化等方面著手，在盡量不降低計(jì)數(shù)精度的情況下，降低模型占據(jù)的內(nèi)存大小，提高實(shí)時(shí)檢測(cè)的幀數(shù)。

3.2 魚卵貝苗計(jì)數(shù)產(chǎn)品與蝦卵計(jì)數(shù)裝置對(duì)比

市場(chǎng)上的魚卵貝苗自動(dòng)計(jì)數(shù)產(chǎn)品多是利用LED背光板進(jìn)行成像，并通過傳統(tǒng)圖像處理算法對(duì)魚卵貝苗進(jìn)行計(jì)數(shù)，容易受到類似形態(tài)雜質(zhì)和計(jì)數(shù)物體粘連的干擾而引起誤差。本研究考慮的紅螯螯蝦蝦卵，尺寸大、易粘連，且在抱卵蝦剝離蝦卵的過程中會(huì)帶有泥沙和雜質(zhì)。本研究所搭建的紅螯螯蝦蝦卵計(jì)數(shù)裝置，采用基于殘差模塊的蝦卵計(jì)數(shù)方法，降低了雜質(zhì)和粘連干擾的影響，提高了計(jì)數(shù)精度。其次本研究所設(shè)計(jì)的蝦卵計(jì)數(shù)裝置具有結(jié)構(gòu)簡(jiǎn)單、操作簡(jiǎn)便、性價(jià)比高等特點(diǎn)，更加適合在實(shí)際水產(chǎn)養(yǎng)殖業(yè)中進(jìn)行推廣。

4 結(jié)論

基于殘差模塊的蝦卵計(jì)數(shù)模型，利用深度學(xué)習(xí)框架作為網(wǎng)絡(luò)工具，以浙江省淡水水產(chǎn)研究所八里店綜合試驗(yàn)基地養(yǎng)殖場(chǎng)拍攝的蝦卵圖像為樣本，經(jīng)過融合殘差模塊的訓(xùn)練得到模型，最終模型試驗(yàn)結(jié)果的計(jì)數(shù)精度達(dá)到98.88%，單幀圖像檢測(cè)時(shí)間為0.2s，能夠滿足真實(shí)場(chǎng)景下蝦卵計(jì)數(shù)需要。對(duì)比其他網(wǎng)絡(luò)模型VGG-16、CSRNet等，本計(jì)數(shù)模型在xMAE、xMSE、xAcc、SSIM和PSNR指標(biāo)方面分別領(lǐng)先熱門的密集人群計(jì)數(shù)網(wǎng)絡(luò)(CSRNet)3.13、5.72、0.38%、0.361 5和9.157 0。綜上所述，基于殘差模塊的計(jì)數(shù)模型和基于計(jì)算機(jī)視覺的蝦卵自動(dòng)計(jì)數(shù)裝置可以適應(yīng)真實(shí)密集場(chǎng)景下蝦卵的計(jì)數(shù)工作，大大提高了蝦卵計(jì)數(shù)的精度和效率。本研究為后續(xù)進(jìn)一步的蝦卵定位、尺寸檢測(cè)、孵化過程監(jiān)控等研究提供了新的思路和方法。

□