该页无缩略图
第 6 期 王鑫怡等:基于改进 YOLOv8 的轻量级鱼类检测方法
Lightweight fish detection method based on improved YOLOv8
WANG Xinyi
1,5
,LIU Xuteng
2
,ZHENG Jiye
1,5
,DONG Guancang
3
,YU Zhaohui
4
,
ZHANG Xia
5
,WANG Xingjia
1,5
(1Institute of Agricultural Information and Economics, Shandong Academy of Agricultural Sciences,
Jinan 250100, Shandong,China;
2 The Chinese University of Hong Kong, Shenzhen, Shenzhen 518172, Guangdong,China;
3 Shandong Freshwater Fisheries Research Institute, Jinan 250013, Shandong,China;
4 Shandong Dongrun Instrument Science and Technology Co, Ltd, Yantai 264003, Shandong, China;
5 School of Physical Science and Information Engineering, Liaocheng University,
Liaocheng 252000, Shandong,China)
Abstract:Fish culture is moving toward precision culture, and fish target detection is an important part of
precision culture. Fortunately, the use of deep learning holds promise for fish target detection. However, the
existing fish target detection models have problems with heavy computation and low accuracy. To address the
issues of low accuracy and high computational load in fish target detection,a lightweight fish target detection
method based on an improved YOLOv8 model was proposed and named YOLOv8-FCW in this study. Firstly,
The experimental comparison of MobileNet, ShuffleNet, GhostNet and C2f-Faster shows that C2f-Faster
performs best. Therefore,the FasterBlock from FasterNet was introduced to replace the Bottleneck module in
C2f of YOLOv8, reducing redundant computations in the network model. Secondly, the Convolutional Block
Attention Module (CBAM) attention mechanism was incorporated to efficiently extract fish body features and
enhance the detection accuracy of the network model. Finally, The experimental results show that the loss
value and convergence speed of the Wise intersection over union (WIoU) loss function is better than Complete
intersection over union (CIoU), Distance intersection over union (DIoU) and Generalized intersection over
union ( GIoU). Therefore, a dynamic non-monotonic focusing mechanism WIoU was introduced to replace
CIoU, accelerating the convergence speed of the network model and improving its detection performance. To
verify the detection effect of YOLOv8-FCW on fish, the original model and YOLOv8-FCW were trained and
tested on the fish data set. The fish data set consists of 1000 images, which were divided into training set,
verification set and test set according to the ratio of 8 ∶ 1 ∶ 1. Experimental results show that compared with
the original model, the improved YOLOv8-FCW model had increased precision by 1. 6 percentage points,
recall by 5. 1 percentage points, and mean average precision( mAP) by 2. 4 percentage points, while the
weight and computational load were reduced to 80% and 79% of the original model, respectively. YOLOv8-
FCW achieves high detection accuracy and efficiency with very small model volume and low computational
cost. The model shows high accuracy and robustness. The research can help breeders accurately calculate the
number of fish and provide technical references for fish target detection.
Key words:image processing; image recognition; target detection; YOLOv8
99
第 51 卷第 6 期 渔 业 现 代 化 Vol. 51 No. 6
2024 年 12 月 FISHERY MODERNIZATION Dec. 2024
DOI:10. 3969 / j. issn. 1007-9580. 2024. 06. 011 开放科学(资源服务)标识码(OSID):
王日成,郑雄胜,高玉凤,等. 基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法[J]. 渔业现代化,2024,51(6):100-114.
收稿日期:2024-09-10
基金项目:浙江省“尖兵”“领雁”研发攻关计划项目 “梭子蟹笼渔船自动化捕捞技术研发与应用示范(2022C02001)”
作者简介:王日成 (1999—),男,硕士研究生,研究方向:计算机视觉、机器智能等。 E-mail: wangricheng@ zjou. edu. cn
通信作者:郑雄胜 (1972—),男,副教授,研究方向:涉海机械装备设计与仿真分析等。 E-mail: zxs893@ zjou. edu. cn
基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
王日成,郑雄胜,高玉凤,黄文伟
(浙江海洋大学海洋工程装备学院,浙江 舟山 316002)
摘要:三疣梭子蟹(Portunus trituberculatus)是一种具有重要经济价值的甲壳类动物,性别分类的准确性对于
优化水产养殖策略和提高海产品加工效率至关重要。 该研究提出了一种基于深度学习的自动性别分类方
法,采用了增强型卷积神经网络模型 SE-ResNet18。 该模型结合了 Squeeze-and-Excitation(SE)模块和全局平
均池化,通过数据增强和优化算法对包含大量雌雄梭子蟹图像的数据集进行了训练和验证。 结果显示,
SE-ResNet18 的总体分类准确率达到 99. 5%,相比 ResNet18 提高了近 4 个百分点,其中雄性梭子蟹的分类准
确率为 99. 68%,雌性梭子蟹为 99. 74%。 研究表明,SE-ResNet18 在三疣梭子蟹的性别分类任务中具有极高
的准确性和鲁棒性,能够高效地完成自动化分类任务。
关键词:三疣梭子蟹;性别分类;深度学习;SE-ResNet18;水产养殖
中图分类号:TP 391. 4; S 951. 2 文献标志码:A 文章编号:1007-9580(2024)06-0100-015
三疣梭子蟹(Portunus trituberculatus) 是中国
东海中最具经济价值的蟹类之一[1]
,约占全球经
济蟹类捕捞量的 1 / 4
[2]
。 准确地对三疣梭子蟹性
别进行分类,对于优化水产养殖策略和提升海产
品经济价值至关重要,传统的人工分类方法劳动
强度大且易出错,迫切需要引入高效的解决方案,
以符合现代可持续渔业实践的要求[3]
。
近年来,随着人工智能(AI) 的快速发展,特
别是在图像处理和计算机视觉领域,自动化识别
方法变得更加有效。 传统的神经网络结构虽然可
以拟合多种数据,但需要大规模网络来表达复杂
特征,由于早期硬件性能的不足, 应用受到限
制[4-7]
。 目前,深度学习技术已经广泛应用于蟹
类的性别分类。 例如,Yan 等[8] 开发了一种基于
图像识别的全自动蟹类分级系统,准确率达到了
95%。 Baluran 等[9]通过图像处理、模糊逻辑和 K
近邻(KNN)分类器实现了螃蟹的自动性别分类,
准确率约为 95%。 Cui 等[10] 通过数据增强、批量
归一化和 Dropout 技术将深度卷积神经网络应用
于中华绒螯蟹(Eriocheir sinensis) 的性别分类,准
确率达到了 98. 9%。 Wang 等[11]通过将机器视觉
与 GA-BPNN 结合,分类河蟹的准确率为 92. 7%。
Yao 等[12]提出了一种基于深度学习的框架,在树
莓派(Raspberry Pi) 设备上实现了对塔斯马尼亚
巨蟹(Pseudocarcinus gigas)的高效性别分类,准确
率达到 96. 34%。 魏天琪等[13]使用多种卷积神经
网络(CNN)对三疣梭子蟹进行了性别分类,取得
了 95. 59%的三疣梭子蟹性别分类准确率。
本研究旨在提升蟹类性别分类的准确性,提
出了一种基于 SE-ResNet18 的增强型深度学习模
型。 通过引入 Squeeze-and-Excitation( SE) 模块
和优化网络结构,模型的分类性能得到了有效提
升。 本研究不仅为蟹类性别分类提供了高效的解
决方案,还验证了其在实际生产中的应用潜力。
1 材料与方法
1. 1 图像采集与处理
为了准确区分三疣梭子蟹的性别,依据腹部
形态将螃蟹分为雄性或雌性。 如图 1 所示,雄性
(标本 1)的腹部呈三角形且尖锐,而雌性蟹(标本
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
2)的腹部则为圆形或椭圆形,亚成体雌蟹(二母
蟹)(标本 3)生殖器官尚未完全发育。 图中的红
色线框用于标注蟹的腹部形态特征,以明确展示
不同性别的区别。 数据集在当地一家三疣梭子蟹
加工厂的协助下采集,采集过程中考虑了不同光
照条件(自然光、强光、弱光)和背景环境,以提升
数据集的多样性和代表性,使模型更好地适应实
际应用场景。
图 1 三疣梭子蟹的腹部形态
Fig. 1 Abdominal morphology of Portunus trituberculatus.
卷积神经网络(CNNs)在数据充足的情况下
表现良好,但当数据有限时,可能出现过拟合的风
险,从而影响模型的泛化能力[14-18]
。 为了解决这
一问题,通常采用数据增强技术[19-24] 来扩充数据
集,从而改善模型的泛化性能。 本研究采用了多
种数据增强技术,包括缩放、翻转、旋转、平移、变
亮、变暗、模糊和添加椒盐噪声等操作。
缩放操作通过对图像进行不同比例的调整,
增强了模型在处理不同尺寸物体时的适应性;水
平和垂直翻转增加了数据的方向多样性,防止模
型对特定方向的偏倚;旋转操作采用了 90°及其
他随机角度的旋转,以提高模型对不同角度样本
的识别能力;平移操作用于模拟图像在不同位置
的变化;变亮和变暗操作用于模拟光照条件的变
化,以增强模型在不同环境下的鲁棒性;模糊操作
通过降低图像的清晰度来模拟图像获取过程中的
模糊情况,从而增强模型在噪声条件下的稳定性;
而椒盐噪声的添加则用于提升模型对随机噪声干
扰的抗扰能力。
图 2 所示,本研究应用了这些数据增强技术,
并有效扩充了数据集。 原始数据共收集了 1 057
张图像(其中雌性 441 张、雄性 616 张),并将图
像大小调整为 224 × 224 以便用于训练。 通过数
据增强,数据集扩展至 9 513 张图像,其中包括
3 969 张雌性蟹图像和 5 544 张雄性蟹图像。 表 1
展示了数据增强后的图像统计结果。 增强后的数
据集按 6 ∶ 2 ∶ 2 的比例分为 3 个子集:训练集
(5 707 张图像)、验证集(1 901 张图像)和测试集
(1 905 张图像)。
101
渔 业 现 代 化 2024 年
°°
B C
图 2 数据增强
Fig. 2 Data augmentation
表 1 数据集概览
Tab. 1 Dataset overview
性别
数据增强前
原始数据集 训练集 验证集 测试集
数据增强后
增强后数据集 训练集 验证集 测试集
雌性 441 264 88 89 3 969 2 381 793 795
雄性 616 369 123 124 5 544 3 326 1 108 1 110
1. 2 提出的改进型 SE-ResNet18 模型
ResNet18 是 深 度 残 差 网 络 ( Residual
Networks, ResNet)家族中的一种经典模型[25,26]
,
由 18 个带权重的层组成,包括 17 个卷积层和 1
个全连接层。 该模型通过使用残差块解决了梯度
消失问题,这些残差块将层的输入加到输出上,从
而保持梯度的流动,允许训练更深的网络。 如图
3a 所示,ResNet18 中的每个卷积层后面都紧跟一
个批量归一化层和 ReLU 激活函数[27]
。 残差块
通过 1∗1 卷积层连接,并通过恒等捷径在内部相
连。 图 3b 展示了该模型的输出架构。 该架构帮
助 ResNet18 有效学习和表达数据中的复杂特征,
从而提高了模型的准确性和性能。
虽然 ResNet18 在许多任务中取得了显著的
性能,但仍可以针对特定任务进一步优化。 在本
研究中,提出了一种改进版本,称为 SE-ResNet18,
集成了 Squeeze-and-Excitation(SE)模块,以改进
特征重校准[28]
。 SE 模块通过建模通道之间的相
互依赖性,自适应地对通道级的特征响应进行重
校准。 这一增强旨在通过让模型更多地关注相关
特征,来提高在三疣梭子蟹性别分类任务中的
性能。
1. 2. 1 改进的特征增强模块
Squeeze-and -Excitation ( SE) 模块旨在增强
神经网络中特征通道的重校准[29]
,为更相关的特
征分配更高的权重,同时抑制不太重要的特征。
这一过程类似于注意力机制,使网络在训练过程
中能够自适应地关注重要特征。 SE 模块包含两
个主 要 操 作: “ 压 缩 ” ( squeeze ) 和 “ 激 励 ”
(excitation)。 如图 4 所示,在“压缩” 阶段,对每
102
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
个通道应用全局平均池化,以生成通道描述符,从
而封装输入特征图的全局信息。 接下来,“激励”
阶段通过全连接层转换通道描述符,以生成每个
通道的权重。 这些权重通过 sigmoid 函数约束在
0~1 之间,然后与原始特征图相乘,从而实现特
征重校准。 该过程对通道间的依赖关系进行建
模,并相应地调整特征响应[30]
。
(a) (b) ResNet-18
Conv2_x
F(x)
x
F(x) + x
Conv3_x
Conv4_x Conv5_x
Avgpool FC
Input Image BN MaxPool
Weight layer
Weight layer
ReLU
conv1
Stride=2
Stride=2
7×7 (64)
3×3
Output
图 3 残差学习模块与模型架构
Fig. 3 Residual learning module and model architecture
图 4 Squeeze-and-Excitation 模块
Fig. 4 Squeeze-and-Excitation Block
如图 5 所示,SE-ResNet18 将 SE 模块集成到
ResNet18 网络中。 网络总共有 22 层。 网络开始
于一个尺寸为 7∗7 的卷积核,步幅为 2,填充为
3 的初始卷积层。 接着是一个批量归一化(BN)
层和 ReLU 激活函数。 然后,使用一个 3∗3 的
最大池化层,步幅为 2,填充为 1,通过降维减少
参数数量,同时扩展感受野以保留关键特征。
在 Conv2_x、Conv3_x、Conv4_x 和 Conv5_x 的残
差块中,每个卷积层后都连接了 SE 模块,以增
强特征的重加权能力。 最后,使用全局平均池
化层,采用 AdaptiveAvgPool2d 将特征图归一化
为 1∗1。 在 SE-ResNet18 中,全连接层的输出神
经元数量根据具体任务设置;在本任务中,设置
为 2,对应于三疣梭子蟹的二分类任务。
103
渔 业 现 代 化 2024 年
图 5 SE-ResNet18 结构
Fig. 5 SE-ResNet18 structure
1. 2. 2 增强的全局平均池化模块
全局 平 均 池 化 ( GAP ) 是 卷 积 神 经 网 络
(CNNs)中广泛使用的空间降维技术。 其主要作
用是将特征图转换为一维向量,为后续的分类或
其他任务提供简化的特征表示[31]
。 如图 6 所示,
GAP 通过计算每个通道的特征图中所有像素值
的平均值,生成该通道的标量,将特征图从原始的
w×h×c 大小缩减为 1×1×c 的向量。 与传统的最
大池化和平均池化不同,GAP 有效地减少了模型
参数的数量,从而有助于减轻过拟合现象[32]
。 此
外,GAP 输出向量的大小与特征图的空间尺寸无
关,使得 CNNs 能够适应不同大小的输入图像。
B C
图 6 全连接层与全局平均池化层的对比
Fig. 6 Comparison of the FC layer and the GAP layer
GAP 的优势包括计算简单和模型正则化。
在 CNN 的尾部,GAP 通常替代传统的全连接层,
直接从特征图的通道信息中提取特征。 每个通道
的均值不仅降低了最终特征向量的维度,还为每
个通道提供了更具体的语义信息,增强了网络的
可解释性。 通过这种方式,GAP 不仅提升了网络
的泛化能力,还使得网络结构更加紧凑,减少了参
数和计算量。 作为一种结构化的正则化方法,
GAP 通过网络架构来限制过拟合,与 Dropout 等
正则化方法相比,有助于优化模型的训练过程。
1. 2. 3 训练优化策略
优化器用于更新网络权重以最小化损失函
数,对训 练 速 度 和 模 型 的 最 终 性 能 有 显 著 影
响[33]
。 如图 7 所示,本研究提出的 SE-ResNet18
104
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
模型的训练过程通过对比无优化器、仅使用优化
器以及使用优化器加注意力机制的情况,表明缺
少优化器时,模型的拟合速度较慢且难以提升性
能。 因此,对 SGD、AdaGrad、AdaMax 和 Adam 4
种优化器的使用进行了比较,结果如图 8 所示。
添加优化器后,模型的准确率显著提高[5]
。 根据
具体任务要求,选择了 AdaMax 作为本研究的优
化器。
Epochs/
SE-ResNet18
1.0
0.9
0.8
0.7
0.6
0.5
0.4
1.00
0.98
0.96
0.94
0.92
0.90
0.25
0.20
0.15
0.10
0.05
0.00 84 86 88 90 92 94
84 86 88 90 92 94
0 20 40 60 80 100 0 20 40 60 80 100
1.5
1.0
0.5
0
SE-ResNet18 ResNet18 ResNet18+Adamax ResNet18 ResNet18+Adamax
Epochs/
图 7 不同优化器下模型的训练损失和验证准确率对比
Fig. 7 Comparison of the proposed model's training loss and validation accuracy with different optimizers
100.0
99.8
99.6
99.4
99.2
99.0
0.034
0.032
0.030
0.028
0.026
0.024
0.035
0.032
0.023
0.024
SGD AdaGrad AdaMax Adam
99.2
99.5
99.0
99.1
图 8 不同优化器的准确率对比
Fig. 8 Comparison of accuracy with different optimizers
1. 3 模型性能的评估指标
使 用 了 准 确 率 ( Accuracy, A )、 精 确 率
(Precision,P)、召回率(Recall,R)、F1 值和精确
率-召回率曲线下的面积(AUC-PR,S)
[34-37] 等指
标评估模型的性能。 这些指标为三疣梭子蟹雄性
和雌性分类任务提供了全面的评估。
准确率(A)定义为正确分类样本数与总样本
数的比率,其公式为:
A =
TP
+ TN
TP
+ TN
+ FP
+ FN
(1)
式中:TP 表示真正类,TN 表示真负类,FP 表示假
正类,FN 表示假负类。
105
渔 业 现 代 化 2024 年
精确率(P),也称为正预测值,量化了在所有
被预测为正类的样本中,真正类样本所占的比例。
其计算公式如下:
P =
TP
TP
+ FP
(2)
召回率(R),也称为灵敏度或真正类率,衡量
的是在所有实际为正类的样本中,真正类样本所
占的比例。 其定义如下:
R =
TP
TP
+ FN
(3)
F1 值是精确率和召回率的调和平均值,提供
了一个平衡这两者的单一指标。 其表达式如下:
F1
=
2PR
P + R
(4)
精确率-召回率曲线下的面积( S)用于评估
分类模型在处理正类样本时的表现。 该指标的取
值范围为 0~1,数值越接近 1 表示模型性能越好。
S 通过整合不同阈值下精确率和召回率之间的权
衡来衡量模型性能。 S 的公式如下所示:
S =∫
1
0
P(R)dR (5)
1. 4 交叉验证方法
为了评估模型在不同数据划分情况下的稳定
性和泛化能力,本研究采用了 K 折交叉验证方法
(K-fold Cross Validation),以确保模型性能评估
的客观性和可靠性。 具体来说,我们将数据集划
分为 10 份(即 K = 10),并对模型进行了 10 折交
叉验证,如图 9 所示。 在每次迭代中,9 份数据用
于训练模型,1 份数据用于验证模型,循环进行
10 次,以保证每个子集都被用作验证集一次。
图 9 K 折交叉验证示意图
Fig. 9 Illustration of K-Fold cross validation
2 试验及结果
2. 1 试验设置
本研 究 的 SE-ResNet18 模 型 在 单 个 GPU
(RTX 3060 12G)上实现并进行训练。 优化器使
用 了 Adamax, 损 失 函 数 为 交 叉 熵 ( Cross -
Entropy)。 模型训练了 100 个周期,每个周期的
批量大小为 64,初始学习率设定为 0. 01。 试验环
境与参数如上所述,能够确保模型在稳定的学习
速率和合适的批量大小下逐步优化并收敛。 三疣
梭子蟹的雌雄分类过程如图 10 所示。 首先,将图
像分类为雄性和雌性,以构建原始数据集。 然后
将数据集划分为训练集、验证集和测试集。 基于
该数据集,训练 SE-ResNet18 模型以识别雄性和
雌性图像的特征。 最后,使用训练好的模型对测
试集中的雄性和雌性类别进行预测,并得到分类
结果。
106
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
图 10 数据采集与分类工作流程
Fig. 10 Data acquisition and classification workflow
2. 2 试验结果
如图 11 所示,SE-ResNet - 18 模型在训练集
和验证集上的训练过程展示了该模型的性能。 在
验证集上,损失值下降至约 0. 024,模型的准确率
达到了 99. 47%。 这些结果表明,SE-ResNet - 18
模型通过引入注意力机制,能够有效提取雄性和
雌性螃蟹图像中的区分性特征,从而增强了三疣
梭子蟹的性别分类性能。
Epochs/ Epochs/
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0 20 40 60 80 100 0 20
40 60 80 100
100
90
80
70
60
50
40
30
20
10
(a)
(b)
Epochs/ Epochs/
0 20 40 60 80 100 0 20
40 60 80 100
(a)
Epochs/
1.4
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0 20 40 60 80 100
(a)
(b)
图 11 SE-ResNet18 模型性能
Fig. 11 SE-ResNet18 model performance
注意力机制使模型在处理序列数据时能够更
高效地聚焦关键信息,从而提升性能。 为了进行
对比,还对不含注意力机制的 ResNet18 模型进行
了训练。 如图 11 所示,注意力机制使得模型在处
理数据时能够更集中于关键部分,使用更短的训
练周期稳定了模型的损失和准确率。 相比之下,
未使用注意力机制的模型在训练过程中波动较
大。 引入 SE 注意力机制增强了模型的稳定性和
泛化能力。
SE-ResNet18 模型经过训练后达到了 99. 5%
的最佳准确率,并将最终的权重保存用于测试及
评估。 图 12 中的混淆矩阵展示了三疣梭子蟹的
二分类结果,详细列出了真正类( TP )、假正类
(FP)、真负类(TN)和假负类(FN)的情况。 图 13
展示了雄性和雌性分类的性能指标,包括雄性、雌
性、宏平均和加权平均组的精确率、召回率、F1
值、准确率和平均精确度(mAP)。 每项指标均超
过 99%,凸显了该模型在不同评估标准下的稳健
性和可靠性。
如图 14 所示,SE-ResNet18 模型在测试集上
的 AUC-PR 值接近 1,表明其分类性能非常高。
这说明该模型具有极强的能力,能够以高精确率
107
渔 业 现 代 化 2024 年
和高召回率检测正类样本,准确区分正类和负类。
这一较高的 AUC-PR 值进一步强调了 SE-ResNet
-18 模型在三疣梭子蟹雌雄二分类任务中的稳健
性和可靠性。
0.8
0.6
0.4
0.2
0.8
0.6
0.4
0.2
0.02 15
3
780 0.98
0 1 1107
图 12 混淆矩阵
Fig. 12 Confusion matrix of the model
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
99.01%
99.46%
99.24% 99.24%
98.62% 98.62%
99.94%
99.13% 99.11%
99.04% 99.04% 99.08%
99.94%
99.11% 99.11% 99.11%
99.92%
98.93%
99.46%
99.95%
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
100.0
99.8
99.6
99.4
99.2
99.0
98.8
98.6
F1-Scure
mAP
F1-Scure
mAP
F1-Scure
mAP
F1-Scure
mAP
图 13 SE-ResNet18 模型的性能指标
Fig. 13 Performance metrics of SE-ResNet18 model
108
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
0.0 0.2 0.4
1.0
0.8
0.6
0.4
0.2
0.0
0.6
0.8 0.10
13
0.0 0.2 0.4
1.0
0.8
0.6
0.4
0.2
0.0
0.6
0.8 0.10
13
图 14 SE-ResNet18 模型的 AUC-PR 曲线
Fig. 14 AUC-PR curve for SE-ResNet18 model
2. 3 交叉验证结果
在 10 折交叉验证中,对每个折进行了训练
和验证,取得了良好的模型性能表现。 在每个折
叠中,模型经过 10 个训练周期后,均表现出了较
高的准确率。 在交叉验证的 10 个折中,模型在
大多数折叠中都表现出优异的准确率,平均准确
率达到 99. 17%,如图 15 所示。
Fold1 Fold2 Fold3 Fold4 Fold5 Fold6 Fold7 Fold8 Fold9 Fold10
99.8
99.6
99.4
99.2
99.0
98.8
图 15 10 折交叉验证结果
Fig. 15 10-fold cross-validation results
3 讨论
3. 1 分类效果分析
为了验证 SE-ResNet18 模型的改进效果,与
原始 ResNet18 模型进行对比试验,以分析注意力
机制对模型收敛速度和分类性能的影响。 结果显
示,SE 模块的引入显著提升了模型的稳定性和泛
化能力,尤其在训练过程中显著加快了模型的收
敛速度。 为了进一步评估 SE-ResNet18 模型的实
际有效性,使用实验室流水线相机拍摄的图像来
验证其分类性能。 结果如图 16 所示,模型对雄性
蟹的识别准确率为 99. 68%,对雌性蟹的识别准
109
渔 业 现 代 化 2024 年
确率为 99. 74%。 在 10 折交叉验证中,模型的平
均准确率达到了 99. 17%。 这些结果表明, SEResNet18 模型在实际应用中具有较高的准确性
和稳定性,适用于水产养殖以及后续三疣梭子蟹
加工场景,有望提升生产操作的效率和准确性。
99.74% 100
80
60
40
20
0
100
80
60
40
20
0
99.68%
0.32%
0.26%
图 16 SE-ResNet18 模型的分类准确率
Fig. 16 Classification accuracy of SE-ResNet18 model
3. 2 与其他分类模型的对比分析
经过 100 个训练周期后,SE-ResNet18 模型相
较于其他经典的 CNN 模型表现更出色。 如图 17
所示,SE-ResNet18 模型达到了 99. 5%的最高准
确率, 超过了 AlexNet ( 71. 1%)
[3]
、 VGGNet - 16
( 58. 3%)
[38]
、 GoogLeNet ( 97. 0%)
[39]
、 YOLOv5
( 97. 2%)
[40]
、 YOLOv8 ( 98. 8%)
[41]
、 YOLOv10
(99. 1%)
[42] 和 ResNet18(95. 9%)。 对比分析表
明,SE-ResNet18 在三疣梭子蟹性别分类任务中
展现了极高的准确性和可靠性,尤其在分类任务
中表现突出,具有显著的优势。
AlexNct VGGNet-16 GoogleNet YOLOv5 YOLOv8 YOLOv10 ResNet18 SE-ResNet18
71.1%
58.3%
100 97.0%
80
60
40
20
0
97.2% 98.8% 99.1% 95.9%
99.5%
图 17 不同分类模型的性能比较
Fig. 17 Performance comparison of different classification models
110
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
3. 3 误分类原因与解释性分析
解释性分析技术,如热图和 SHAP ( Shapley
加性解释)
[43]
,在可视化数据特征对模型预测的
影响方面具有重要价值。 在深度学习中,这些技
术有助于阐明卷积神经网络(CNN) 对模型决策
贡献最大的部分。 类激活映射(CAM) 用于可视
化图像不同区域对模型分类能力的影响。 CAM
从网络最后一个卷积层的特征图生成空间热图,
并通过加权的全局平均池化(GAP) 突出影响模
型预测的区域。 如图 18 所示,“热点”区域(通常
以红色表示)对模型的分类具有显著影响。 特别
是模型对螃蟹的白色区域(如腹部)高度敏感,这
有时会导致测试样本中的误分类。 热图展示了这
种敏感性,显示了特定的腹部区域如何影响模型
正确分类螃蟹性别的能力[44]
。
此外,SHAP 值提供了相对于平均预测的特
征贡献的见解。 图 19a 展示了 SHAP 值图,其中
粉红色区域显著影响模型的预测。 图 19b 显示了
深度特征分解(DFF)图,表明模型主要依赖于腹
部特征进行性别分类。
B
C
图 18 用于分类的 CAM 热图
Fig. 18 CAM Heatmaps for Classification.
这些可解释性分析表明,尽管模型能够有效
区分雄性和雌性螃蟹,但误分类通常源于某些特
定的视觉特征,如腹部的颜色差异。 增加具体的
误分类示例可以帮助更好地理解这些误分类的原
因,未来研究将致力于减少这些视觉特征相似性
带来的误分类问题。
(a) SHAP (b) DFF
SHAP
-0.000 3 -0.000 2 -0.000 1 0.000 0 0.000 1 0.000 2 0.000 3
图 19 模型解释性与特征提取对比
Fig. 19 Comparison of model interpretability and feature extraction
3. 4 实际应用与局限性
SE-ResNet18 模型在提升三疣梭子蟹性别分
类的效率和准确性方面表现优异,试验表明其分
类精度较高。 然而,模型在边缘设备上的部署仍
面临挑战。 虽然 SE 模块增强了特征权重分配能
力,但由于网络较深,计算复杂度较高,使得模型
在低计算能力的设备上效率不高[45]
。 为提升其
在边缘设备上的适用性,未来的改进方向应集中
于通过 模 型 剪 枝、 量 化 等 技 术 降 低 计 算 复 杂
度[46]
。 与轻量级网络如 MobileNetV3
[47] 相比,
SE-ResNet18 的参数量较大,功耗和实时性稍有
不足。 因此,未来研究将专注于在保持分类准确
率的同时,减少模型参数和计算量,以提高其计算
效率和环境适应性,增强在实际应用中的广泛适
用性。
4 结论
本研究提出了一种创新性深度学习模型 SEResNet18,通过结合 Squeeze-and-Excitation( SE)
模块,模型能够更有效地聚焦关键特征,显著提高
111
渔 业 现 代 化 2024 年
了分类的准确性和效率,在深度学习领域中引入
了注意力机制,为水产养殖和海产品加工自动化
提供了新的解决方案,有助于提升生产效率并降
低人工成本。 本研究通过 SE 模块增强卷积神经
网络的特征选择能力,使得模型在性别分类任务
中的性能超越了传统方法。 此外,提出了一种在
准确性和计算效率之间取得平衡的优化方案,为
未来模型在边缘设备上的部署提供了参考。 未来
的研究将进一步探索 SE-ResNet18 模型在其他水
产养殖场景中的适用性,并重点增强模型在复杂
环境条件下的泛化能力,以推动深度学习技术在
渔业领域的广泛应用。 □
参考文献
[1] XU G, ZHU W, XU L. Gillnet selectivity for swimming crab
Portunus trituberculatus in the East China Sea [ J]. Fisheries
Science, 2021, 87(1): 31-38.
[2] WANG Y, GAO L, CHEN Y. Assessment of Portunus
(Portunus) trituberculatus (Miers, 1876) stock in the northern
East China Sea[J]. Indian Journal of Fisheries, 2018, 65(4):
28-35.
[3] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet
classification with deep convolutional neural networks [ J ].
Communications of the ACM, 2017, 60(6): 84-90.
[4] RAWAT W, WANG Z. Deep convolutional neural networks for
image classification: A comprehensive review [ J ]. Neural
Computation, 2017, 29(9): 2352-2449.
[5] SHAFIQ M, GU Z. Deep residual learning for image
recognition: A survey [ J ]. Applied Sciences, 2022, 12
(18): 8972.
[6] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature
hierarchies for accurate object detection and semantic
segmentation [ C ] / / Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition ( CVPR ). USA:
IEEE Computer Society, 2014: 580-587.
[7] 张青祥,陈传奇,娄湘琴,等. 基于 GA-BP 神经网络的鲅鱼
鲜味肽美拉德反应增鲜研究[ J]. 南方农业学报,2024,55
(6):1733-1743.
[8] YAN Z, CAO Y, LI S. Design of automatic grading control
system of crab and its control program based on image recognition
[J]. Food and Machinery, 2015, 31(6): 580-587.
[9] BALURAN C I A, ARBOLEDA E R, DIZON M G, et al. Crab
gender classification using image processing, fuzzy logic and K
nearest neighbor (KNN) classifier[ J]. International Journal of
Scientific & Technology Research, 2019, 8(10): 1458-1462.
[10]CUI Y, PAN T, CHEN S, et al. A gender classification method
for Chinese mitten crab using deep convolutional neural network
[J]. Multimedia Tools and Applications, 2020, 79( 11 / 12):
7669-7684.
[11]WANG H, ZHU H, BI L, et al. Quality grading of river crabs
based on machine vision and GA-BPNN[J]. Sensors, 2023, 23
(11): 5317.
[12] YAO J, TRAN S N, ZHANG L, et al. Deep learning for
effective gender classification of Tasmania giant crabs [ C] / /
Proceedings of IEEE, Gold Coast, Australia: IEEE, 2023:
1-8.
[13]魏天琪,郑雄胜,李天兵,等. 基于多组卷积神经网络的梭子
蟹性别识别研究[J]. 南方水产科学, 2024, 20(1): 89-98.
[ 14] LIU S, JIANG W, WU L, et al. Real-time classification of
rubber wood boards using an SSR-based CNN [ J ]. IEEE
Transactions on Instrumentation and Measurement, 2020, 69
(11): 8725-8734.
[15]GAO M, QI D, MU H, et al. A transfer residual neural network
based on ResNet-34 for detection of wood knot defects [ J].
Forests, 2021, 12(2): 212.
[16]BHATT D, PATEL C, TALSANIA H, et al. CNN variants for
computer vision: history, architecture, application, challenges
and future scope[J]. Electronics, 2021, 10(20): 2470.
[17]ZHANG C, BENGIO S, HARDT M, et al. Understanding deep
learning ( still ) requires rethinking generalization [ J ].
Communications of the ACM, 2021, 64(3): 107-115.
[18]BELKIN M, HSU D, MA S, et al. Reconciling modern machinelearning practice and the classical bias – variance trade-off[J].
Proceedings of the National Academy of Sciences, 2019, 116
(32): 15849-15854.
[19]JIANG L, WANG Y, TANG Z, et al. Casting defect detection in
X-ray images using convolutional neural networks and attentionguided data augmentation [ J ]. Measurement, 2021,
170:108736.
[20]LIU S, JIANG H, WU Z, et al. Rolling bearing fault diagnosis
using variational autoencoding generative adversarial networks
with deep regret analysis [ J ]. Measurement, 2021,
168: 108371.
[21] ZHANG W, LI X, JIA X D, et al. Machinery fault diagnosis
with imbalanced data using deep generative adversarial networks
[J]. Measurement, 2020, 152: 107377.
[ 22] AGHNIA FARDA N, LAI J Y, WANG J C, et al. Sanders
classification of calcaneal fractures in CT images with deep
learning and differential data augmentation techniques [ J ].
Injury, 2021, 52(3): 616-624.
[23] HAN S, OH S, JEONG J. Bearing fault diagnosis based on
multiscale convolutional neural network using data augmentation
[J]. Journal of Sensors, 2021, 2021: 1-14.
[24] KIM H C, KANG M J. A comparison of methods to reduce
overfitting in neural networks [ J ]. International Journal of
Advanced Smart Convergence, 2020, 9(2): 173-178.
[ 25 ] ZEESHAN ALI H, KABIR S, ULLAH G. Indoor scene
recognition using ResNet-18 [ J ]. International Journal of
112
第 6 期 王日成等:基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法
Research Publications, 2021, 69(1): 148-154.
[26] HE K, ZHANG X, REN S, et al. Deep residual learning for
image recognition[C] / / Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition ( CVPR ), USA:
IEEE, 2016: 770-778.
[27] ZENG F, HU W, HE G, et al. Imbalanced Thangka image
classification research based on the ResNet network[J]. Journal
of Physics: Conference Series, 2021, 1748(4): 042054.
[28] ROY A G, NAVAB N, WACHINGER C. Concurrent spatial
and channel squeeze & excitation in fully convolutional networks
[C] / / In: FRANGI A F, SCHNABEL J A, DAVATZIKOS C,
ALBEROLA-LÓPEZ C, FICHTINGER G, eds. Proceedings of
the International Conference on Medical Image Computing and
Computer-Assisted Intervention ( MICCAI ), LNCS 11070,
Springer,2018: 421-429.
[29]肖鹏程,徐文广,张妍,等. 基于 SE 注意力机制的废钢分类
评级方法[J]. 工程科学学报,2023,45(8):1342-1352.
[30] GAO S H, CHENG MM, ZHAO K, et al. Res2Net: A new
multi-scale backbone architecture [ J]. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 2021, 43(2): 652-
662.
[31]周宇球,叶晓冬,杨海潮. 基于残差神经网络的视频安防行
人识别研究[J]. 城市建设理论研究(电子版), 2024(17):
223-225.
[32] ZHOU B, KHOSLA A, LAPEDRIZA A, et al. Learning deep
features for discriminative localization[C] / / Proceedings of the
IEEE Conference on Computer Vision and Pattern Recognition
(CVPR), Las Vegas, NV, USA: IEEE, 2016: 2921-2929.
[33 ] REYAD M, SARHAN A, ARAFA M. A modified Adam
algorithm for deep neural network optimization [ J ]. Neural
Computing and Applications, 2023, 35:17095-17112.
[34]LANG H T, WU S W. Ship classification in moderate-resolution
SAR image by naive geometric features-combined multiple kernel
learning [ J]. IEEE Geoscience and Remote Sensing Letters,
2017, 14(10): 1765-1769.
[35]ZHANG T W, ZHANG X L, KE X, et al. HOG-ShipCLSNet: a
novel deep learning network with HOG feature fusion for SAR
ship classification [ J]. IEEE Transactions on Geoscience and
Remote Sensing, 2021, 60: 1-22.
[36] D J J, BARNES C M, MANSO L J, et al. Fruit quality and
defect image classification with conditional GAN data
augmentation[J]. Scientia Horticulturae, 2022, 10: 1-11.
[37]CEN F, ZHAO X Y, LI W Z, et al. Deep feature augmentation
for occluded image classification [ J ]. Pattern Recognition,
2021, 10: 1-13.
[38 ] SIMONYAN K, ZISSERMAN A. Very deep convolutional
networks for large-scale image recognition [C] / / Proceedings of
the International Conference on Learning Representations
(ICLR), 2015. San Diego: ICLR, 2015: 1-14.
[ 39 ] WANG J, CHEN Y, DONG Z, et al. Improved YOLOv5
network for real-time multi-scale traffic sign detection [ J ].
Neural Computing and Applications, 2023, 35 ( 10 ):
7853-7865.
[40]ZHU J, HU T, ZHENG L, et al. YOLOv8-C2f-Faster-EMA: an
improved underwater trash detection model based on YOLOv8
[J]. Sensors, 2024, 24(8): 2483.
[41]杨勇,万超伦,马建友,等. 大模型数据扩增技术在输电线路
智能监控中的应用研究[J]. 邮电设计技术,2024(9):31-37.
[42] SZEGEDY C, LIU W, JIA Y, et al. Going deeper with
convolutions [ C ] / / Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition ( CVPR ), USA:
IEEE, 2015: 1-9.
[43]LUNDBERG S M, LEE S I. A unified approach to interpreting
model predictions [ C]. Proceedings of the 31st International
Conference on Neural Information Processing Systems
(NeurIPS), 2017: 4765-4774.
[44]SELVARAJU RR, COGSWELL M, DAS A, et al. Grad-CAM:
visual explanations from deep networks via gradient-based
localization [ C ] / / Proceedings of the IEEE International
Conference on Computer Vision ( ICCV ), Venice: IEEE,
2017: 618-626.
[45] SHUVO MM H, ISLAM S K, CHENG J, et al. Efficient
acceleration of deep learning inference on resource-constrained
edge devices: a review[ J]. Proceedings of the IEEE, 2023,
111(1): 42-91.
[46] MENGHANI G. Efficient deep learning: a survey on making
deep learning models smaller, faster, and better [ J]. ACM
Computing Surveys, 2023, 55(12): 1-37.
[47] HOWARD A, SANDLER M, CHU G, et al. Searching for
MobileNetV3 [ C ] / / Proceedings of the 2019 IEEE/ CVF
International Conference on Computer Vision ( ICCV), Seoul,
Korea (South), IEEE, 2019: 1314-1324.
113
渔 业 现 代 化 2024 年
Research on sex classification method of Portunus trituberculatus
based on SE-ResNet18 model
WANG Richeng, ZHENG Xiongsheng, GAO Yufeng, HUANG Wenwei
(School of Marine Engineering Equipment, Zhejiang Ocean University, Zhoushan 316002, China)
Abstract: Portunus trituberculatus, a crustacean species of significant economic value, is important in
aquaculture and seafood processing. Accurate sex classification is critical for optimizing aquaculture strategies
and improving operational efficiency in these industries. Traditional manual methods for sex classification are
labor-intensive and prone to errors, highlighting the need for automated solutions. This study proposes an
automated sex classification method based on deep learning, utilizing the SE-ResNet18 model, an enhanced
variant of ResNet-18. The SE-ResNet18 model incorporates the Squeeze-and-Excitation ( SE) module and
global average pooling, enabling it to emphasize key feature channels selectively. The model was trained and
validated on a large dataset of male and female Portunus trituberculatus images, with data augmentation
techniques applied to improve generalization. The results show that SE-ResNet18 achieves a classification
accuracy of 99. 5%, nearly 4 percentage points higher than ResNet-18. Specifically, male crabs were
classified with 99. 68% accuracy, and female crabs with 99. 74%. The model's robustness was tested under
varying conditions, confirming its suitability for real-world applications in automated seafood processing and
aquaculture. In conclusion, SE-ResNet18 offers a highly accurate and scalable solution for sex classification in
Portunus trituberculatus, with the potential to significantly enhance productivity and efficiency in the
aquaculture industry.
Key words:Portunus trituberculatus; sex classification; deep learning; SE-ResNet18; aquaculture
114
第 51 卷第 6 期 渔 业 现 代 化 Vol. 51 No. 6
2024 年 12 月 FISHERY MODERNIZATION Dec. 2024
DOI:10. 3969 / j. issn. 1007-9580. 2024. 06. 012 开放科学(资源服务)标识码(OSID):
谢小文,袁红春. 基于多尺度残差连接的水下图像自适应增强 [J]. 渔业现代化,2024,51(6):115-124.
收稿日期:2024-10-07
基金项目:国家自然科学基金项目“基于海洋大数据深度学习的渔情预测模型研究(41776142)”
作者简介:谢小文(2001—),男,硕士研究生,研究方向:人工智能应用。 E-mail:2334540259@ qq. com
通信作者:袁红春(1971—),男,教授,研究方向:人工智能应用。 E-mail:hcyuan@ shou. edu. cn
基于多尺度残差连接的水下图像自适应增强
谢小文,袁红春
(上海海洋大学信息学院,上海 201306)
摘要:为解决水下图像常见的颜色失真、对比度降低以及有监督方法在缺乏大规模成对的高质量水下图像数
据集支持时效果一般等问题,提出了一种无监督水下图像增强方法,该方法利用条件变分自动编码器
(cVAE)结合概率自适应实例归一化(PAdaIN)以及多色空间拉伸技术,旨在提高生成图像的视觉质量,确保
生成图像与原始输入图像在视觉上具有一致性。 此外,多尺度残差连接模块有效减少了非关键信息的传递,
进一步提升了模型的性能。 该方法提供了一个以依赖参考图像作为训练数据的替代方案。 结果显示,该方
法在测试集上的峰值信噪比(PSNR)和结构相似性指数( SSIM)分别比 FunieGAN 和 Water-Net 提升 12%和
3%,显著改善了增强后图像的视觉效果,同时,该方法在不同测试集上的优异表现也验证了其良好的泛化能
力。 研究表明,该方法在无需参考图像的情况下,显著改善了水下图像的质量,有效提升了图像的细节和色
彩校正,为水产养殖和海洋监测提供了一个有效的解决方案。
关键词:水下图像增强;无监督学习; 多尺度残差连接;图像处理;概率模型
中图分类号:TP391. 4 文献标志码:A 文章编号:1007-9580(2024)06-0115-010
随着对水下环境研究的深入,渔业领域逐渐
认识到水下图像质量对资源评估、捕捞策略及渔
场管理的重要性。 然而,由于水下环境的复杂性,
实际获取的图像常常存在退化现象,包括对比度
不足、细节模糊和色彩失真,这些问题影响了水下
图像的质量,严重妨碍了对渔业资源的精准观察
与分析[1-2]
,对水产养殖、渔业监测等实际应用造
成了不利影响[ 3 ]
。
应用图像增强技术能够有效改善这些缺陷,
提升图像的清晰度与可视性,从而支持对水下生
物和物理特征(如鱼群分布、栖息地状况及水质
变化)的准确识别与分析[ 4 - 5 ]
。 传统的水下图像
增强方法基于水下图像的物理特性而提出。 如基
于归一化的方法[6]
、基于 Retinex 理论的方法[7]
等,这些方法研究了由于颜色偏差或散射造成的
退化物理机制,并对其进行补偿以增强水下图像。
然而,这些基于物理模型的方法表征能力有限,无
法处理水下场景中所有复杂的物理和光学因素,
这导致在高度复杂和多样的水下场景中增强效果
不佳。 近几年,随着深度学习技术的引入,特别是
通过基于卷积神经网络的方法[8] 首次被应用于
水下图像增强领域,将模糊和颜色失真的图像转
化为清晰度更高、色彩更为鲜艳的图像,但仍然存
在色 偏、 对 比 度 低 以 及 噪 声 较 大 等 问 题。
Krishnan 等[9]提出了一种利用残差神经网络增强
水下图像的方法,有效地将模糊的水下图像转化
为清晰的图像。 Chen 等[10] 提出了一种混合式水
下图像增强技术,该方法通过利用雾线先验从退
化的水下图像中恢复出清晰的水下图像,引入对
比度增强方法来丰富色彩和细节,解决了水下图
像对比度低、色偏的问题。 Luo 等[11] 提出了一种
多分支特征融合网络,可以同时恢复和增强水下
图像,在保持内容风格和空间纹理的同时提高色
彩表现。
Chai 等[12]提出了一种基于物理成像模型的
无监督水下图像增强方法,该方法将水下图像分
渔 业 现 代 化 2024 年
解为场景辐射度、直接传输图、反向散射传输图和
全局背景光 4 个组成部分,通过自监督的方式组
合,实现水下图像的重建。 Lu 等[13] 提出了一种
融合循环生成对抗网络和结构相似性函数的多尺
度循环生成网络方法[14]
,将图像从浑浊的风格转
换成清晰的风格,从而达到了无监督水下图像增
强的目的,改善水下图像的质量。
上述方法主要依赖成对的数据集进行训练,
通过学习大量数据集,提升了图像的清晰度和色
彩表现。 然而,这些方法对大规模高质量图像数
据集的依赖使得其在实际应用中受到限制[15]
,特
别是在缺乏参考图像的情况下,增强效果不佳。
近年来,学者尝试将无监督学习引入水下图像增
强领域,旨在解决上述问题。 无监督学习方法不
需要大量配对数据集,能够更灵活地处理水下图
像的增强任务[16]
。 然而,现有的无监督方法在生
成图像的质量上仍存在不足,尤其在色偏纠正和
细节还原方面表现不佳。
本研 究 提 出 了 一 种 基 于 多 尺 度 残 差 块
(Multi-scale Residual Connection Block,MRCB)的
水下图像自适应增强方法,利用无监督学习策略,
有效改善了水下图像的对比度和色彩表现,同时
提升了细节清晰度,为水产养殖与海洋生态监测
提供了可靠的技术支持。
1 研究方法
1. 1 网络体系结构
模型主要由参考图像生成模块、多尺度残差
连接模块 以及概率模块 PAdaIN 构成,分为训练
阶段和测试阶段。 输入的三维水下图像范围在
0~1 之间,通过 U-Net 提取特征,并利用 PAdaIN
等模块生成增强图像,具体如图 1 所示。
6
+
)HDWXUH ([WUDFWRU
7UDLQ
)HDWXUH ([WUDFWRU
7HVW
3ULRU %ORFN
3RVWHULRU %ORFN
&RQY/HDN\\5H/8 h 0D[SRROLQJ 6H5HV1HW %ORFN 8SVDPSOLQJ 3$GD,1 )HDWXUHV 05&%
图 1 网络结构图
Fig. 1 Network structure diagram
在训练阶段,首先通过参考图像生成模块创
建相应的参考图像,然后对参考图像进行特征提
取处理,得到一系列特征表示。 接着,这些特征表
示分别输入后验块和先验块进行进一步计算和优
116
第 6 期 谢小文等:基于多尺度残差连接的水下图像自适应增强
化。 最终,这两个块的输出结果被融合,形成完整
的模型。
在测试阶段,输入图像同样经过特征提取模
块处理,获得对应的特征表示。 这些特征表示随
后送入后验块和先验块进行计算,最终输出结果
被融合,生成增强图像。 本研究提出的模型采用
分层学习的方法,通过多层次的特征提取和融合,
实现了高效的图像处理和增强。 同时,参考图像
生成模块能够更好地模拟真实场景,提高模型的
泛化能力。
1. 2 参考图像生成模块
参考图像生成模块主要使用颜色校正的方法
来生成参考图像,通过将参考图像 RGB 值转换为
最佳 RGB 值来改善生成的参考图像的颜色和对
比度,这一过程包括确定适用于色彩中性拍摄对
象的相机白平衡,以及去除透镜眩光和红绿色差
的影响。 颜色校正方法主要用于已知红色、绿色
和蓝色(RGB)平均值和标准偏差的情况,使用非
参数方法进行颜色校正[17]
,能够实现 RGB 颜色
通道中像素值的新统计分布。 参考图像生成模块
主要由两个部分组成:双统计平衡模块( Dualstatistic White Balance Module)和多色空间拉伸模
块(Stretch Module),其结构如图 2 所示。
为了将不确定性引入数据集,对原始图像进
行对比度和饱和度调整以及伽马校正,通过这些
变换可以更加有效地模拟水中常见的失真等现
象,具体如公式(1)所示:
y = (x - m) × α + x (1)
式中: x 和 y 表示退化图像和增强图像, m 表示每
个通道的平均值, α 是调整系数,用以创建不确定
性标签,用来反映真实图片记录中的不确定性,而
不改变原始标签。
'XDOVWDWLVWLF :KLWH %DODQFH 0RGXOH 6WUHWFK 0RGXOH
5HIHUHQFH ,PDJH ,QSXW
5DQGRP ,PDJH *HQHUDWLRQ
05&%
F3# 0
A4>
A4
图 2 参考图像生成模块
Fig. 2 Reference image generation module
1. 2. 1 双统计平衡模块
图像由两个不同的模块处理,这两个模块使
用图像的统计数据(平均值和最大值) 来校正其
色彩平衡。 然后使用两个残差模块来增强输出以
恢复丢失的细节。
首个训练模块采用灰色世界理论,这是一种
假设图像中的平均颜色为灰色,即 R、G、B 通道平
均值相等的色彩校正方法,具体如公式(2)所示:
x
GW = Conv1×1(x) ? A
-
(2)
式中: A
-
= [
1
AR
,
1
AG
,
1
AB
] , AR 、 AG 、 AB 分别表示原
始图像中 R、G、B 通道的平均值, ? 表示逐像素
乘法, x
GW 表示基于灰度世界理论的颜色矫正
结果。
第二个训练模块利用白色补丁算法进行颜色
校正,它假设图像中的最高 RGB 值来源于场景的
白色区域,反映光源颜色,据此调整整幅图像的色
彩。 基于这一假设,每个通道的比例因子如公式
117
渔 业 现 代 化 2024 年
(3)所示:
x
WP = Conv1×1(x) ? M
-
(3)
式中: M
-
= [
1
MR
,
1
MG
,
1
MB
] , MR 、 MG 、 MB 分别表示
原始图像中 R、G、B 通道的最大值, x
WP 表示基于
白色补丁算法的颜色矫正结果。
结果被合并,传递给拉伸模块,具体如公式
(4)所示:
x
DSB = Conv3×3(x
GW
) ? Conv3×3(x
WP
) (4)
式中: x
DSB 表示由双统计平衡模块增强的结果。
1. 2. 2 多色空间拉伸模块
图像 被 转 换 到 不 同 的 颜 色 空 间 ( HSI 和
LAB),并由可训练模块处理以提高对比度。 原始
图像也被增强,具体如公式(5)所示:
x
final = Conv3×3(x
r
) ? Conv3×3(x
h
) ?
Conv3×3(x
l
) (5)
式中: x
r
、 x
h
、 x
l 分别表示 RGB、HSI、Lab 颜色空
间中的直方图拉伸像素值, x
final 表示由多色空间
拉伸模块增强的结果。 在 HSI 颜色空间中,色调
(H)通道保持原样,之后输出转换回 RGB 颜色空
间[18]
。 这包括 3∗3 卷积层处理和像素累加合并
结果。 通过调整颜色平衡和提高对比度,显著改
善了传递至概率模块的参考图像的视觉质量。
1. 3 MRCB 模块
在模型的框架中,为了更好地获取上下文信
息,改善网络的特征表达能力,提出了一种全新的
多尺度残差连接模块(MRCB)。 MRCB 可以抑制
噪声和不重要的特征传递,仅允许输入数据的重
要特征进一步传递,从而提升模型的性能,其示意
图如图 3 所示。 MRCB 的总体流程如公式( 6)
所示:
F MRCB
= Finput
+ GCA(Finput) (6)
式中: F input代表原始输入特征, GCA 代表全局上
下文注意, GCA 由 3 个部分实现:
(1)上下文建模:首先从原始特征图 Finput 通
过重构操作以生成特征 F1 。 接着,Finput 经过一系
列的卷积、重构和 Softmax 操作,生成新的特征
F2 ,然后对 F1 和 F2 进行逐像素乘法,生成全局特
征描述符 F3 。
(2)通道交互:为了获取不同通道间的相关
性,将 F3 进行特征变换,使用两个 1∗1 卷积和一
个 LeakyReLU 激 活 函 数, 生 成 新 的 注 意 力 特
征 F4 。
(3)特征融合:采用逐元素加法将特征 F4融
合到原始特征 Finput 的各个位置,旨在降低过拟合
风险并增强特征的多样性。
&RQWH[W 0RGHOLQJ
5HVKDSH
h
5HVKDSH
6RIWPD[ h
/HDN\\5H/8
h
/HDN\\5H/8
&KDQQHO
,QWHUDFWLRQ
)HDWXUH
)XVLRQ )LQSXW
+h:h
h+:
) )05&%
)
F ) )
F
F F F F
1*1
1*1
1*1
* * *
图 3 多尺度残差连接模块结构图
Fig. 3 Structural diagram of the multi-scale residual connection module
1. 4 概率模块
本研究的核心思想是在水下图像增强过程中
引入不确定性。 由于在实际应用中,获取真实和
清晰的图像存在困难,且训练模型使用的标签也
可能带有不确定性。 为解决这一问题,本研究基
于 AdaIN 算法[19] 设计了概率模块( PAdaIN),该
模块主要用于图像风格转换,通过调整图像特征
的均值和标准差来匹配样式,改变图像的外观,保
留其内容特性。
然而,AdaIN 依赖于已知内容和样式图像的
可用性,为了解决这个问题,PAdaIN 引入了来自
均值和标准差的后验分布的随机样本作为 AdaIN
的参数,具体如公式(7)所示:
118
第 6 期 谢小文等:基于多尺度残差连接的水下图像自适应增强
PAdaIN(x) = b(
x - μ(x)
σ(x)
) + a (7)
式中: b 和 a 分别是来自均值和标准差的后验分
布的两个随机样本, μ(x) 表示输入特征 x 的均
值, σ(x) 表示输入特征 x 的标准差。 后验分布
和先验分布结构示意图如图 4 所示。 PAdaIN 能
够捕获输入图像的重要外观相关特征,并使用它
们生成增强图像,以保持原始图像的完整性。
通过隐式变量 z 表示增强过程的不确定性,
它可以反映个人偏好或捕捉生成实际图像时的相
机及算法参数。 模型旨在学习从原始图像 x 到增
强图像 y 的映射,同时考虑由 z 变量所代表的不
确定性,具体如公式(8)所示:
p(y | x)≈p(y |zmax,x),zmax ~ p(z| x) (8)
式中: p(y | zmax,x) 是给定具有最大概率 zmax 和原
始图像 x 到增强图像 y 的概率。 p(z | x) 是给定观
测值的不确定性变量的概率。 该模型的目标是从
训练数据中学习这些概率分布,然后使用它们来
生成增强图像,将不确定性纳入增强过程。
*DXVVLDQ GLVWULEXWLRQ
E
0HDQ
6WG
h FRQY
D
图 4 后验分布和先验分布结构图
Fig. 4 Structure diagram of posterior and prior distributions
1. 5 损失函数
均方误差损失 Lmse 和感知损失 Lvgg16 是评价
图像增强算法性能的两个常用指标,均方误差损
失测量预测图像和参考图像之间的平均平方差,
感知损失[20]测量预测图像和参考图像的高级特
征之间的差异。 权重 λ 用于控制这两个损失项
在总体增强损失 Le 中的相对重要性[21]
,在训练
过程中使用的 λ 的具体值将取决于数据集的特
征和模型的期望性能,具体如公式(9)所示:
Le
= Lmse
+ λLvgg16 (9)
除了使增强损失 Le 最小化之外,模型的训练
过程还涉及使用 KullbackLeibler(KL)发散 DKL 来
将后验分布与先验分布对齐。 KL 散度是两个概
率分布之间差异的度量,可用于比较模型学习的
后验分布与假设代表训练数据中潜变量分布的先
验分布。 通过最小化后验分布和先验分布之间的
KL 偏差,该模型能够学习潜在空间的更准确表
示, 以 提 高 增 强 图 像 的 质 量。 KullbackLeibler
(KL)具体如公式(10)和公式(11)所示:
Lm
= DKL(Mm(x) | | Mm(y,x)) (10)
Ls
= DKL(Ms(x) | | Ms(y,x)) (11)
式中: Lm 和 Ls 分别为平均值和标准差。 Mm(x) 和
Ms(x) 分别表示 x 输入特征的均值 m 和标准差 s
的正态分布。
用于训练本研究模型的总损失函数是后验分
布和先验分布之间的增强损失 Le 和 KL 偏差 DKL
的加权和,具体如公式(12)所示:
L = Le
+ β(Lm
+ Ls) (12)
式中: β 为权重,值为 0. 5。
2 结果与讨论
2. 1 试验准备
数据集:1)EUVP
[22]数据集,选取 3 700 对成
对的图像,其中每张水下图像均包含对应的参考
图像,作为训练集一;2) UIEBD
[23] 数据集,选取
5 000 张原始水下图像,原始水下图像没有与之
对应的参考图像,作为训练集二;3)UFO-120
[24]
数据集选取 300 张严重失真的水下图像作为测试
集一;4)利用 PowerVision 水下无人机在学校教学
楼外池塘拍摄了一组真实水下图像数据集,从中
挑选了 100 张图片作为测试集二。 分别用训练集
一和训练集二对模型进行训练得到模型一和模
型二。
本模型的实现基于 PyTorch 深度学习框架,
119
渔 业 现 代 化 2024 年
采用的显卡为 NVIDIA 的 GeForceRTX3090 ( 24
GB)。 在训练时输入 256×256 的图像,初始学习
率设置为 0. 000 1,批量大小为 8,采用的优化器
是 Adam
[25]
,迭代次数为 300 次。 模型采用无监
督学习方式,采用颜色矫正的方法生成参考图像,
并利用生成的参考图像训练模型,通过对齐先验
分布和后验分布以确保生成的图像更加准确,且
通过 MRCB 模块可以抑制不重要的信息,有效传
递重要特征信息,避免梯度消失的问题。
评价指标:全参考评估指标包括峰值信噪比
(PSNR)、结构相似性(SSIM)、学习感知图像块相
似度(LPIPS)。 无参考评估指标为:水下图像质
量 测 量 ( UIQM )、 水 下 彩 色 图 像 质 量 评 估
(UCIQE)、自然图像质量评估(NIQE)、水下图像
对比度测量指标(UICM)和水下图像锐度测量指
标(UISM)
[26]
。
2. 2 对比试验
2. 2. 1 定量比较
为了比较提出的算法性能,选择了 5 种传统
的无监督学习方法:CLAHE
[27]
、HE
[28]
、UDCP
[29]
、
RGHS
[30]
、UCM
[31]
,以及 4 种基于深度学习的方
法: UGAN
[32]
、 Water-Net
[33]
、 UWCNN
[34]
、
FunieGAN
[35]
,总共 9 种方法与本研究方法比较。
与传统的无监督方法进行比较,可以体现本研究
提出的无监督方法的优势。 表 1 表示本研究选取
的 11 种模型在测试集一上的试验结果,测试集一
使用有参考图像的数据集,采用的是全参考评价
指标:峰值信噪比(PSNR)、结构相似性( SSIM)、
学习感知图像块相似度(LPIPS)和水下彩色图像
质量评估(UCIQE)。 从表 1 中可以看出:本研究
所提出的模型在大多数情况指标值高于所比较的
方法,只有 UCIQE 指标逊色一些,没有达到最优
和次优,不过也优于其他大多数方法,表明本模型
能够有效提升生成图像的质量,能够较好地恢复
水下图像的真实色彩。
表 2 表示本研究选取的 11 种模型在测试集
二上的试验数据,测试集二使用的是作者拍摄的
数据,没有参考图像作为参考,采用的是无参考评
价指标:水下图像质量测量(UIQM)、自然图像质
量评 估 ( NIQE )、 水 下 图 像 对 比 度 测 量 指 标
(UICM)和水下图像锐度测量指标(UISM)。 从表
2 中可以看出,本研究提出的模型只有 UIQM 指
标上没有取得最好结果,在其余 3 个指标上均取
得最好的结果。
表 1 不同方法在测试集一上的定量对比
Tab. 1 Quantitative comparison of different methods on test set one
方法 PSNR SSIM LPIPS UCIQE
CLAHE 15. 886 0. 551 0. 457 0. 465
UCM 17. 821 0. 768 0. 316 0. 471
RGHS 18. 759 0. 787 0. 296 0. 507
HE 14. 219 0. 694 0. 369 0. 492
UGAN 15. 228 0. 676 0. 453 0. 429
UWCNN 18. 435 0. 808 0. 354 0. 416
UDCP 15. 553 0. 643 0. 313 0. 539
FunieGAN 21. 667 0. 810 0. 241 0. 418
Water-Net 19. 889 0. 830 0. 177 0. 426
模型一 24. 171 0. 853 0. 121 0. 473
模型二 24. 211 0. 849 0. 132 0. 478
表 2 不同方法在测试集二上的定量对比
Tab. 2 Quantitative comparison of different methods on test set two
方法 UICM UISM NIQE UIQM
CLAHE 14. 386 0. 368 4. 876 1. 294
UCM 9. 457 0. 219 4. 424 1. 089
RGHS 15. 018 0. 212 4. 472 1. 241
HE 15. 392 0. 339 3. 500 1. 297
UGAN 10. 864 0. 120 5. 878 1. 229
UWCNN 14. 607 0. 099 3. 364 1. 174
UDCP 9. 802 0. 337 3. 811 1. 369
FunieGAN 12. 782 0. 198 4. 332 1. 725
Water-Net 12. 853 0. 139 5. 301 1. 439
模型一 15. 955 0. 525 2. 316 1. 229
模型二 16. 125 0. 597 2. 507 1. 215
2. 2. 2 定性比较
在水下图像增强,特别是水下彩色图像增强
中,人眼视觉感受是非常重要的评价角度。 分别
选取成对的数据集与作者拍摄的非成对数据集作
为测试集进行比较,可以有效地证明本研究的方
法在无参考图像环境下的有效性和适用性。
图 5 展示了 11 种模型在测试集一上的增强
图片效果。 主观分析得出:HE 和 CLAHE 模型生
成的图 像 过 亮, 未 去 除 绿 色, 出 现 曝 光 问 题。
RGHS 和 UGAN 处理的图像仍偏绿,不过亮度有
所提高。 UGAN 使图像更绿,可视度未明显改善,
整体效果不佳。 UCM、UWCNN、UDCP 处理的图
像偏红;UCM 在细节恢复上未达预期,出现颜色
120
第 6 期 谢小文等:基于多尺度残差连接的水下图像自适应增强
失真;UWCNN 图像过暗,雾化现象没有得到改
善,清晰度不足;UDCP 图像也偏暗,视觉效果差。
Water-Net 和 FunieGAN 改善了上述问题,但图像
仍偏暗。 相比之下,本方法在色彩、对比度、视觉
效果及清晰度上都显著优于其他模型,更接近参
考图像。
,QSXW +( 5*+6 8&0 &/$+( 8'&3 8*$1 :DWHU1HW 8:&11 )XQLH*$1
*7
图 5 各种模型在测试集一上的视觉质量对比
Fig. 5 Comparison of the visual quality of various models on test set one
图 6 表示本研究选择的 11 种模型在测试集
二上运行得到的增强后图片。 对比图片,模型的
优劣可以更好地观测出来。 经过 HE 和 Water -
Net 以及 FunieGAN 模型处理后的图片,整体偏
红,经过 FunieGAN 模型处理后,整张图片色调完
全偏红,其余两个模型处理后的图像出现了严重
的图像失真现象。 图像经过 RGHS 和 UCM 模型
增强后,虽然去掉了图像表面的雾,不过整体颜色
偏深蓝色,无法还原鱼本身的颜色。 经过 UGAN
和 UWCNN 模型处理后的图像,整体色调偏黄,背
景也基本上呈现出黄色。 CLAHE 模型处理后的
图像整体颜色偏淡,且图像模糊。 UDCP 模型处
理后的图像,出现了严重图像失真现象,无法准确
恢复鱼本身的形状。 相比之下,本研究提出的方
法,无论采用哪种数据集进行测试,都首先解决了
水下图像雾化的现象,其次提高了图片的清晰度,
细节处理方面更加优秀。
,QSXW +( 5*+6 8&0 &/$+( 8'&3 8*$1 :DWHU1HW 8:&11 )XQLH*$1
图 6 各种模型在测试集二上的视觉质量对比
Fig. 6 Comparison of the visual quality of various models on test set two
121
渔 业 现 代 化 2024 年
2. 3 消融试验
为了验证本研究提出模型中模块的有效性,
设计了如下消融试验:1)去除多尺度残差连接模
块(MRCB);2)去掉概率模块( PAdaIN);3) 去除
多尺 度 残 差 连 接 模 块 ( MRCB ) 和 概 率 模 块
(PAdaIN)。 两组试验的模型均迭代 50 次,均采
用训练集二进行训练,并在测试集一和测试集二
上进行定量分析,基础模型不包含 MRCB 模块和
PAdaIN 模块。 所进行的消融试验结果如表 3 和
表 4 所示,可以看出,两个表格中除了 UIQM 这个
指标外,在其余度量指标上,均是同时包含 MRCB
模块和 PAdaIN 模块的效果最佳,在大多数的指
标上,只包含 MRCB 或 PAdaIN 的模型均达到了
次优,可以看出,单独包含 MRCB 模块或单独使
用 PAdaIN 模块并不是最优选择,两者各有不足
的地方,只有两者一起使用,才能让模型的效果达
到最佳。
表 3 测试集一上消融试验数据
Tab. 3 Ablation experimental data on test set one
方法 PSNR SSIM LPIPS UCIQE
Baseline 15. 877 5 0. 620 8 0. 261 4 0. 265 9
Baseline + MRCB 18. 360 1 0. 685 4 0. 211 7 0. 369 1
Baseline + PAdaIN 17. 280 1 0. 693 9 0. 212 0 0. 385 8
Full Model 20. 098 9 0. 789 4 0. 178 4 0. 452 3
表 4 测试集二上消融试验数据
Tab. 4 Ablation experimental data on test set two
方法 UICM UISM NIQE UIQM
Baseline 11. 184 8 0. 367 3 6. 292 7 0. 508 4
Baseline + MRCB 9. 457 1 0. 437 1 4. 423 6 0. 338 9
Baseline + PAdaIN 13. 415 1 0. 440 3 4. 736 9 0. 332 9
Full Model 14. 955 6 0. 503 6 3. 433 8 0. 489 9
表 4 中的 UIQM 指标,不包含 MRCB 模块或
PAdaIN 模块的模型效果均未达到最佳,可能原因
是使用水下摄像机在学校池塘拍摄时,由于水中
存在较多的悬浮物,其可以散射和吸收光线,减少
光线直接到达摄像头的量[36]
,造成图像模糊和对
比度降低,导致 UIQM 的值不高。
3 结论
本研究提出了一种基于多尺度残差的无监督
水下图像增强方法,使用编码器-解码器结构,实
现了水下图像的自适应增强。 通过多尺度残差连
接模块(MRCB)与概率模块(PAdaIN),模型能够
在更好地传递边缘和轮廓以及纹理细节等重要信
息的同时,抑制噪声、低对比度区域等不重要信息
的传递,模型在不依赖参考图像的情况下,显著提
升了增强后图像的清晰度、对比度和色彩。 结果
表明,该方法在 PSNR 和 SSIM 等常用图像质量评
估指标上,分别达到了 24. 211 和 0. 853,均优于
当前主流的水下图像增强方法,展现出较强的泛
化能力和视觉提升效果。 未来,将进一步研究提
升模型在复杂水下环境中的适应性,同时提高图
像细节的还原能力,以适应更多实际应用需求。
□
参考文献
[1] 胡雨航,赵磊,李恒,等. 多特征选择与双向残差融合的无监
督水下图像增强[ J]. 电子测量与仪器学报,2023,37( 9):
190-202.
[2] 姜群. 基于迁移学习的水下图像增强与目标检测研究[D].
济南:山东财经大学,2022.
[3] 彭小红,梁子祥,张军,等. 深度学习驱动的水下图像预处理
研究进展综述[J]. 计算机工程与应用,2021,57(13):43-54.
[4] FABBRI C, ISLAM M J, SATTAR J. Enhancing underwater
imagery using generative adversarial networks[C] / / 2018 IEEE
international conference on robotics and automation ( ICRA),
Brisbane:IEEE,2018:7159-7165.
[5] 弭永发,迟明善,张强,等. 基于颜色校正与改进的 CLAHE 多
尺度融合水下图像增强[ J]. 无线电工程, 2024, 54 ( 6):
1470-1480.
[ 6 ] CHEN W, GU K, LIN W, et al. Reference-free quality
assessment of sonar images via contour degradation measurement
[J]. IEEE Transactions on Image Processing, 2019, 28 ( 11):
5336-5351.
[7] 刘彦呈,董张伟,朱鹏莅,等. 基于特征解耦的无监督水下图
像增强[J]. 电子与信息学报,2022,44(10):3389-3398.
[8] LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based
learning applied to document recognition[J]. Proceedings of the
IEEE,1998,86(11):2278-2324.
[9] KRISHNAN H, LAKSHMI A A, ANAMIKA L S,et al. A novel
underwater image enhancement technique using ResNet [ C] / /
IEEE Conference on Information & Communication Technology
(CICT), Chennai:IEEE,2020,12:1-5.
[10]CHEN T, SHEN L, FAN Y, et al. Underwater Image
Enhancement Based on Improved Haze-lines Prior and Histogram
Distribution Prior [ C ] / / IEEE International Conference on
Intelligent Autonomous Systems (ICoIAS), Dalian:IEEE,2022:
122
第 6 期 谢小文等:基于多尺度残差连接的水下图像自适应增强
60-65.
[11]LUO H, ZHANG G, ZHANG X. MBFFNet: Multi-branch
feature fusion network for underwater image restoration [ C] / /
IEEE Information Technology, Networking, Electronic and
Automation Control Conference ( ITNEC), Chongqing: IEEE,
2023:1209-1213.
[12]孙昊宇,牛宏侠. 基于色彩均衡和多权重融合的水下图像增
强算法[J]. 无线电工程,2024,54(2):436-446.
[13]王德兴,黄梓阳,袁红春. 基于轻量级神经网络的水下生物
图像增强[J]. 渔业现代化,2023,50(6):60-73.
[14]LIU Y, WANG X, WANG L, et al. A modified leaky ReLU
scheme ( MLRS ) for topology optimization with multiple
materials[ J ]. Applied Mathematics and Computation, 2019,
352:188-204.
[15]马爱明. 水下复杂环境的图像复原技术研究[D]. 成都:电子
科技大学,2023.
[16]刘敏. 基于域自适应的水下图像增强[D]. 哈尔滨:哈尔滨工
业大学,2022.
[17]LI C, ANWAR S, PORIKLI F. Underwater scene prior inspired
deep underwater image and video enhancement [ J ]. Pattern
Recognition,2020,98:107038.
[18]LI C, ANWAR S, HOU J,et al. Underwater image enhancement
via medium transmission-guided multi-color space embedding
[ J ]. IEEE Transactions on Image Processing, 2021, 30:
4985-5000.
[19]FU Z, WANG W, HUANG Y, et al. Uncertainty inspired
underwater image enhancement [ C ] / / Tel Aviv: European
conference on computer vision. Cham: Springer Nature
Switzerland,2022:465-482.
[20]JOHNSON J, ALAHI A, FEI-FEI L. Perceptual losses for realtime style transfer and super-resolution [ C ] / / European
Conference, Amsterdam, The Netherlands, October 11-14,
2016, Proceedings, Part II 14. Springer International
Publishing, Amsterdam:ECCV,2016:694-711.
[21]赵兴运,孙帮勇. 融合注意力机制和上下文信息的微光图像
增强[J]. 中国图象图形学报,2022,27(5):1565-1576.
[22]ISLAM M J, XIA Y, SATTAR J. Fast underwater image
enhancement for improved visual perception[J]. IEEE Robotics
and Automation Letters,2020,5(2):3227-3234.
[23]丛润民,张禹墨,张晨,等. 深度学习驱动的水下图像增强与
复原研究进展[J]. 信号处理,2020,36(9):1377-1389.
[24]PANETTA K, GAO C, AGAIAN S. Human-visual-systeminspired underwater image quality measures[J]. IEEE Journal of
Oceanic Engineering,2015,41(3):541-551.
[25]ZHANG Z. Improved adam optimizer for deep neural networks
[C] / / IEEE ACM 26th international symposium on quality of
service (IWQoS),Banff:IEEE,2018,6:1-2.
[26]李大海,王忠华,王振东. 结合空间域和频域信息的双分支
低光照图 像 增 强 网 络 [ J ]. 计 算 机 应 用, 2024, 44 ( 7 ):
2175-2182.
[ 27]REZA A M. Realization of the contrast limited adaptive histogram
equalization ( CLAHE) for real-time image enhancement [ J].
Journal of VLSI signal processing systems for signal, image and
video technology,2004,38:35-44.
[28]LI C, GUO C, REN W, et al. An underwater image
enhancement benchmark dataset and beyond [ J ]. IEEE
transactions on image processing,2019,29:4376-4389.
[29]DREWS P, NASCIMENTO E, MORAES F,et al. Transmission
estimation in underwater single images[C] / / IEEE Proceedings
of the IEEE international conference on computer vision
workshops, Sydney:IEEE,2013,12:825-830.
[30]HUANG D, WANG Y, SONG W, et al. Shallow-water image
enhancement using relative global histogram stretching based on
adaptive parameter acquisition[C] / / International Conference,
MMM 2018, Bangkok, Thailand, February 5-7, 2018,
Proceedings, Part I 24. Bangkok: Springer International
Publishing,MMM,2018:453-465.
[31]IQBAL K, ODETAYO M, JAMES A,et al. Enhancing the low
quality images using unsupervised colour correction method
[C] / / IEEE International Conference on Systems, Man and
Cybernetics, Istanbul:IEEE,2010,10:1703-1709.
[32] FABBRI C, ISLAM M J, SATTAR J. Enhancing underwater
imagery using generative adversarial networks [ C] / / Brisbane:
IEEE international conference on robotics and automation
(ICRA),IEEE,2018:7159-7165.
[33]袁国铭,刘海军,李晓丽,等. 纹理感知联合颜色直方图特征
的水 下 图 像 增 强 [ J ]. 光 学 精 密 工 程, 2024, 32 ( 13 ):
2112-2127.
[34]LI C, ANWAR S, PORIKLI F. Underwater scene prior inspired
deep underwater image and video enhancement [ J ]. Pattern
Recognition,2020,98:107038.
[35]ISLAM M J, XIA Y, SATTAR J. Fast underwater image
enhancement for improved visual perception[J]. IEEE Robotics
and Automation Letters,2020,5(2):3227-3234.
[36]袁红春,赵华龙,高凯. 基于多阶段协同处理的水下图像增
强[J]. 激光与光电子学进展,2024,61(8):363-371.
123
渔 业 现 代 化 2024 年
An adaptive enhancement method for underwater images
based on multi-scale residual connection
XIE Xiaowen, YUAN Hongchun
(School of Information Shanghai Ocean University Shanghai 201306, China)
Abstract:To address common issues in underwater images, such as color distortion and reduced contrast, as
well as the limitations of supervised methods that rely on large-scale paired high-quality underwater image
datasets, an unsupervised underwater image enhancement method is proposed. This method utilizes a
conditional variational autoencoder ( cVAE ) combined with probabilistic adaptive instance normalization
(PAdaIN) and multi-color space stretching techniques to improve the visual quality of generated images while
ensuring consistency with the original input images. Furthermore, a multi-scale residual connection module is
employed to effectively reduce the transmission of non-essential information, thereby enhancing the model's
performance. This approach provides an alternative to traditional training methods that rely on reference
images. Experimental results demonstrate that this method achieves a 12% and 3% improvement in Peak
Signal-to-Noise Ratio (PSNR) and Structural Similarity Index (SSIM) on the test set compared to FunieGAN
and Water-Net, respectively, significantly enhancing the visual quality of the improved images. Moreover, the
method performs excellently across different test sets, demonstrating its robust generalization capability. The
study indicates that, without the need for reference images, this approach significantly improves underwater
image quality, effectively enhancing image detail and color correction, and provides a viable solution for
aquaculture and marine monitoring applications.
Key words:underwater image enhancement; unsupervised learning; multi-scale residual connections; image
processing; probabilistic models
124
第 51 卷第 6 期 渔 业 现 代 化 Vol. 51 No. 6
2024 年 12 月 FISHERY MODERNIZATION Dec. 2024
DOI:10. 3969 / j. issn. 1007-9580. 2024. 06. 013 开放科学(资源服务)标识码(OSID):
倪锦,谈佳玉,张军文,等. 基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析[J]. 渔业现代化,2024,51(6):125-136.
收稿日期:2024-05-05
基金项目:国家现代农业产业技术体系建设专项资金(CARS-49);中国水产科学研究院基本科研业务费(2023TD75)
作者简介:倪锦(1985—),男,副研究员,研究方向:水产品智能加工装备研究。 E-mail:nijin@ fmiri. ac. cn
通信作者:沈建(1971—),男,研究员,研究方向:水产品加工装备研究。 E-mail:shenjian@ fmiri. ac. cn
基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析
倪 锦1,2,3
,谈佳玉1,2,3
,张军文1,2,3
,沈 建1,2,3
(1 中国水产科学研究院渔业机械仪器研究所,上海 200092;
2 海洋食品精深加工关键技术省部共建协同创新中心,大连工业大学,大连 116034 ;
3 农业农村部远洋渔船与装备重点实验室,上海 200092)
摘要:针对生鲜虾夷扇贝人工开壳存在开壳难和效率低,传统热处理开壳易影响生鲜品质等问题,提出了基
于瞬时热处理的虾夷扇贝精准开壳方法。 为了探明虾夷扇贝瞬时热处理的精准开壳方法,通过测定虾夷扇
贝的体型特征参数,构建精准化蒸汽喷射开壳方法;对比不同瞬时热处理条件下虾夷扇贝的开壳完整率、色
差、汁液损失率等,结合感官评价分析,确定最优的瞬时开壳参数。 结果显示:相对于 140 ℃ 蒸汽,在 160 ℃
蒸汽作用下,虾夷扇贝的开口宽度更大,开壳拉力值更小,开壳完整率更高,因此确定瞬时热处理的热源温度
为 160 ℃ ;蒸汽喷射时间越长,虾夷扇贝的开壳难度越小,开口宽度越大,综合感官评定,确定瞬时热处理的
蒸汽喷射时间 2 s。 壳长 110 ~ 120 mm,壳厚 22 ~ 25 mm,质量为 100 ~ 125 g / 枚的虾夷扇贝,采用蒸汽喷射
(160 ℃ 、2 s),虾夷扇贝开壳后的开壳完整率 100%,汁液流失率 0. 86%。 研究表明,采用瞬时热处理精准开
壳能够较好地保持虾夷扇贝生鲜品质,为其自动化加工提供理论依据。
关键词:虾夷扇贝;蒸汽;开壳;品质
中图分类号:S985. 3 文献标志码:A 文章编号:1007-9580(2024)06-0125-012
虾夷扇贝(Patinopecten yessoensis) 是中国北
方海域规模化养殖的重点贝类,具有产量高、营养
价值高、富含蛋白质和维生素、风味独特等特点,
深受人们的喜爱,市场需求呈增长趋势[1-2]
。 虾
夷扇贝开壳加工大多采用半人工方式或者采用国
外引进的设备。 前者直接取肉或蒸煮后取肉,存
在效率低、品质控制差、蒸煮开壳扇贝柱鲜嫩的口
感差等问题[3-4]
。 国外引进的设备价格昂贵[5-6]
,
而且适用性不强,日本日兴株式会社的扇贝加工
流水线,采用蒸汽的方式,适合体型较大较扁平的
虾夷扇贝[7]
;美国 NC Hyperbaric 公司生产扇贝
开壳设备,采用超高压开壳原理,不适合中国中小
水产品企业的产业化加工[8]
。 总体来说,中国虾
夷扇贝脱壳加工工艺不完善[9]
,生鲜虾夷扇贝的
开壳尚不能满足新经济发展模式下人们对高品质
水产品的需求,因此迫切需要一种适合中国经济
发展状况的虾夷扇贝开壳工艺技术。
目前,扇贝开壳方式主要有机械式和非机械
式[6]
,机械式开壳刀具操作较精确,但效率低、品
质差、不能大批量生产;非机械式开壳方式主要有
红外 辐 射 式、 激 光 式、 蒸 煮 式 和 蒸 汽 喷 射 式
等[10-11]
。 王家忠等[12]提出了一种红外加热开壳
方法,通过分析红外灯管直接辐射和梯形灯罩间
接辐射,建立红外辐射下扇贝表面的参数化热流
分布数学模型,研究结果表明,当灯罩侧面倾角
30°、侧面宽度 40 mm、灯管安装高度 60 mm 时,
开壳效率单列可达 15 个/ min,剥离后贝柱品质较
高,能耗为 0. 027 kW·h / kg。 龙官誉等[13] 将激
光技术用于双壳贝类(贻贝)的开壳加工,确定了
贻贝激光开壳的工艺参数为激光功率 40 W、处理
时间 0. 5 s,激光结合漂烫(100 ℃ ,5 s) 或 蒸汽
(100 ℃ ,70 s)技术实现了壳肉有效分离,有效避
渔 业 现 代 化 2024 年
免了热力开壳过程中贝肉熟化导致的营养成分流
失。 孔德刚等[14] 研究设计了海湾扇贝蒸汽喷射
开壳装置,以蒸汽喷射时间、距离和蒸汽阀门开度
为试验因素,结果显示,海湾扇贝蒸汽喷射 3 s、喷
射距离 30 mm、蒸汽阀门开度 90°时开壳效果最
佳。 弋景刚等[15] 研究表明,采用蒸汽发生器,压
强控制在 0. 3~0. 4 MPa、温度控制在 150 ℃左右,
当喷射时间 3. 5 s、喷射距离 30 mm、蒸汽排量
6 mm、球阀门开度 90° 时, 海湾扇贝开壳率为
93. 3%。 也有学者利用超高压实现牡蛎开壳[16]
。
总体来说,激光式、超高压等方法成本高,不
适合中国水产加工特点[17]
,现有的蒸煮开壳工艺
比较粗犷[18]
,会破坏贝柱的鲜嫩程度,影响品质。
蒸汽喷射作为一种较新的开壳方法,已在其他贝
类上有所应用。
本研究提出了一种基于瞬时热处理的虾夷
扇贝精准开壳方法。 通过测定虾夷扇贝的体型
特征参数,建立虾夷扇贝瞬时热处理的开壳试
验方案,搭建试验平台,对比分析研究不同瞬时
热处理条件下虾夷扇贝的开壳率、色差、汁液损
失率,结合感官评价分析,构建形成精准化的虾
夷扇贝蒸汽开壳方法,保持虾夷扇贝开壳后的
生鲜品质。
1 材料与方法
1. 1 材料与设备
鲜活虾夷扇贝,壳长 55~120 cm,来自盒马生
鲜超市,产地为大连市(泡沫箱加冰运输至实验
室,为尽量减少样本误差,挑选活力好、鲜活饱满
的虾夷扇贝备用)。 其中用于瞬时热处理精准开
壳的虾夷扇贝的规格:壳长 110 ~ 120 mm,壳厚
22~25 mm,质量为 100~125 g / 枚。
红外线热成像仪(VT08,福禄克),蒸汽发生
器(25 KGH,江苏鑫达能热能环保科技有限公
司),虾夷扇贝热力开壳试验装置(自研),温度采
集仪(Keysight 34970A,是德科技中国有限公司),
推拉力计(HP -100N,乐清市艾德堡科技有限公
司),游标卡尺(DL91150,得力集团有限公司),电
子天平称(YP20001B,上海力辰仪器科技有限公
司),扩散硅压力变送器(P30,杭州美控科技股份
有限公司)。
1. 2 方法
1. 2. 1 开壳方法
虾夷扇贝的开壳试验装置如图 1、2,主要包
括了蒸汽发生器、 电动阀、 开壳平台和蒸汽喷
嘴等。
图 1 虾夷扇贝的开壳试验装置示意图
Fig. 1 Diagram of the opening test device for scallop
蒸汽发生器产生高温蒸汽,设定不同温度蒸汽
和加热时间,在控制阀门的作用下,通过蒸汽喷嘴
对扇贝横纹肌区域短时高温作用,促使横纹肌失活
降低闭壳肌的结合力,实现虾夷扇贝的开壳。 利用
时间控制器电动阀实现蒸汽喷射时间的精确控制。
蒸汽参数 140 ℃、喷射流量 9. 1 kg / h;160 ℃、喷射
126
第 6 期 倪锦等:基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析
流量 9. 1 kg / h。 蒸汽喷嘴结构如图 3。
图 2. 虾夷扇贝的开壳试验装置
Fig. 2 The opening test device for scallop
Φ
Φ
Φ
Φ
图 3 蒸汽喷嘴结构参数
Fig. 3 The structural parameters of the steam nozzle
1. 2. 2 虾夷扇贝生物特征参数测定
使用电子天平称称量虾夷扇贝热力开壳前后
的质量,使用游标卡尺测量虾夷扇贝的长度 L,扇
贝柱直径 R,扇贝柱中心到扇贝边的距离 D2 (简
称贝柱中心距离),扇贝柱中心偏移扇贝中心线
的距离 D1 。 选择不同规格大小的扇贝,获取扇贝
的生物特征参数,具体包括扇贝的长度,扇贝柱的
直径、扇贝柱的中心点位置以及偏移位置如图 4,
通过测量虾夷扇贝的生物特征参数,为虾夷扇贝
的瞬时热处理提供精准加热区域参数。
图 4 扇贝柱尺寸示意图
Fig 4 Diagram of scallop adductor muscle Dimensions
1. 2. 3 虾夷扇贝开壳参数测定
虾夷扇贝开壳主要包括拉力值和开口宽度。
测量方法:将蒸汽喷射热处理的虾夷扇贝取下,使
用游标卡尺测量虾夷扇贝的开口宽度,使用拉力计
测量将左壳拉开的最大力值并记录。 在统计虾夷
扇贝开壳参数时,完全自然开壳(闭壳肌与壳体完
全分离)的开口宽度数值并不统一,未完全自然开
壳的开口宽度均小于 10 mm,为方便数据处理,若
瞬时热处理后虾夷扇贝完全自然开壳,记虾夷扇
贝的开口宽度为 10 mm,拉力值记录为 0 N。
1. 2. 4 虾夷扇贝开壳的温度分布测定
在进行虾夷扇贝开壳温度分布测定时,先迅
速取下蒸汽喷射处理后的扇贝,轻柔置于预设稳
定温度环境的拍摄平台上。 随后,利用红外线热
成像仪细致扫描扇贝表面,捕捉温度差异并生成
热成像图片,以直观展现不同蒸汽喷射时间下扇
贝的温度分布情况。
1. 2. 5 汁液流失率测定
使用电子天平称称量虾夷扇贝热力开壳前的
质量 M1 ,虾夷扇贝热力开壳后的质量 M2 ,计算虾
夷扇贝开壳后的汁液流失率 P。
P =
M1
- M2
M1
× 100% (1)
127
渔 业 现 代 化 2024 年
1. 2. 6 闭壳肌色差测定
虾夷扇贝完成蒸汽喷射开壳后,将闭壳肌取
下,以闭壳肌个体中心为测试点,每次记录白度值
L∗ 、红度值 a∗ 、黄度值 b∗ 数值。 从 L∗(从
黑到白,0~100)、a∗(从绿到红,-a ~ +a)、b∗ 值
(从蓝到黄,-b ~ +b)三方面评价闭壳肌肉颜色,
判读肌肉的熟化程度。
1. 2. 7 虾夷扇贝开壳的感官评定
虾夷扇贝开壳的感官评定主要依据组织状
态、开壳难易程度和开缝程度。 评定人员由 7 名
经过培训的评价员组成,定期对虾夷扇贝依据
GB 2733—2005 《 鲜、 冻 动 物 性 水 产 品 卫 生 标
准》
[19]进行评定,并制定感官评定标准如表 1。
表 1 感官评分鉴定表
Tab. 1 Sensory Evaluation and Identification Form
等级
组织状态
(9 分)
开壳难易程度
(9 分)
开缝程度
(9 分)
一级
7~9 分
颜色生鲜,贝柱未熟化
7~9 分
开壳容易
7~9 分
壳开缝较大
二级
4~6 分
颜色生鲜,贝柱轻微熟化
4~6 分
开壳较容易
4~6 分
壳稍微开缝
三级
1~3 分
颜色发白,贝柱明显熟化
1~3 分
开壳困难
1~3 分
不开缝
1. 2. 8 虾夷扇贝的开壳完整率
虾夷扇贝的开壳完整率是指虾夷扇贝在瞬时
热处理后,自然开壳或者在外力作用下实现开壳,
样品中虾夷扇贝肌肉组织外观完整的占整体的
比例。
U =
S1
- S2
S1
× 100% (2)
式中:U 为开壳完整率;S1 为统计扇贝总数量;S2
为肌肉组织外观不完整的扇贝数量。
1. 3 数据处理
上述所有数据均采用 Excel 统计,采用 SPSS
22. 0 软件对结果进行单因素方差分析,P<0. 05
表示差异显著。
2 结果与分析
2. 1 虾夷扇贝生理结构及开壳机理
虾夷扇贝的贝壳呈扇形[20]
,扇贝两壳形状基
本无差别,左右两壳几乎对称,左右壳连接部分平
直。 贝壳表面有 17 ~ 18 条放射形肋。 虾夷扇贝
内部主要有贝柱、裙边、内脏等结构[21]
,贝柱及其
周围结构通常附着在右壳上。 虾夷扇贝的内部结
构如图 5 所示。
ffi
图 5 虾夷扇贝内部结构
Fig 5 Internal structure of scallop
虾夷扇贝内部结构中保持贝壳紧闭的是横纹
肌和平滑肌,二者共同组成闭壳肌。 横纹肌反应
灵敏,具有较强的收缩能力,能快速关闭贝壳。 平
滑肌动作迟缓,能保持贝壳长时间处于闭合状态。
贝壳打开主要靠韧带实现,韧带的功能是当横纹
肌松弛时,韧带展开使两壳张开。 贝柱即为闭壳
肌的主要部分,扇贝开壳的关键操作是刺激横纹
肌(闭壳肌),使其失活,进而使左右两贝壳张开。
热处理开壳主要通过瞬时加热闭壳肌区域,使其
失活,实现开壳。
2. 2 虾夷扇贝开壳生物特征参数
虾夷扇贝的贝柱中心距离,贝柱直径和贝柱
中心偏移距离[22]与扇贝长度的关系如图 6 ~ 8,分
析可知虾夷扇贝的贝柱直径、贝柱中心偏移距离、
贝柱中心距离与扇贝长度呈现近似线性的关系,
可根据虾夷扇贝的扇贝柱特征参数数据确定热处
理开壳时蒸汽加热的中心点。
NN
N
N
图 6 贝柱中心距离与扇贝长度的关系
Fig. 6 The relationship between the central distance of
scallop and the length of scallop
128
第 6 期 倪锦等:基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析
NN
N
N
图 7 贝柱直径与扇贝长度的关系
Fig. 7 The relationship between the diameter of the scallop
adductor muscle and the length of the scallop
NN
N
N
图 8 贝柱中心偏移距离与扇贝长度的关系
Fig. 8 The relationship between the offset distance of the
central part of the scallop adductor muscle and the
length of the scallop
虾夷扇贝的热处理精准开壳需要控制蒸汽加
热区域,因此还需获知虾夷扇贝的裙边特征参数,
通过样本测量,获取的虾夷扇贝的裙边特征参数
如图 9~10 所示。
图 9 裙边长度占比分布图
FIg. 9 Distribution chart of the length proportion of
the edge of the scallop
图 10 裙边宽度占比分布图
Fig. 10 Distribution chart of edge and width proportion
从图 9 和 10 中可知:裙边的尺寸大小比例基
本固定,因此在蒸汽开壳中,可通过获取扇贝的长
度,确定热处理精准开壳的蒸汽加热区域。
在实际开壳操作中,可利用机器视觉获取虾
夷扇贝的扇贝长度,利用建立的虾夷扇贝的生物
特征数据,可方便地确定虾夷扇贝热处理开壳时
的蒸汽喷射区域,实现虾夷扇贝闭壳肌区域组织
的精准加热,最大限度地降低虾夷扇贝的组织熟
化,在保证开壳效果的前提下最大限度地保持
品质。
2. 3 虾夷扇贝的蒸汽连续喷射开壳效果
试验环境温度 33℃ ,利用蒸汽(140 ℃ ,9. 1
kg / h)直接喷射虾夷扇贝的扇贝柱区域,探究连
续喷射下的开壳效果。 蒸汽喷嘴的入口口径
8 mm。 虾夷扇贝的壳长 110 ~ 120 mm、壳厚 22 ~
25 mm、质量为 100 ~ 125 g / 枚。 蒸汽连续喷射虾
夷扇贝开壳效果如图 11 所示,在 140 ℃蒸汽的热
力作用下能实现虾夷扇贝热力开壳,但贝柱表面
呈现明显的组织变性,颜色发白。
图 11 蒸汽连续喷射扇贝开壳效果
Fig. 11 The effect of continuous steam jetting on
shell opening of scallops
129
渔 业 现 代 化 2024 年
利用蒸汽(140 ℃ 、6. 6 kg / h)连续喷射扇贝,
绝大多数虾夷扇贝的完全自然开壳所需的时间为
5~60 s,极个别的虾夷扇贝超过 60 s 也未自然开
壳,由于虾夷扇贝个体差异显著,连续喷射蒸汽使
得虾夷扇贝自然开壳,易使贝柱熟化,且会造成大
量蒸汽资源浪费。 因此实际开壳中,宜采用瞬时
热处理精准开壳的方式,使得虾夷扇贝的闭壳肌
失去活性,辅助机械设施实现虾夷扇贝的开壳。
2. 4 不同温度蒸汽喷射虾夷扇贝开壳效果
设定两组加热条件:第一组,蒸汽温度 160 ℃,
蒸汽压力约 0. 6 MPa,蒸汽喷射流量约 9. 1 kg / h;第
二组,蒸汽温度 140 ℃,蒸汽压力约 0. 4 MPa,蒸汽喷
射流量约 9. 1 kg / h。 对虾夷扇贝贝柱区域壳体瞬时
加热,加热时间 2~5 s,对比不同参数下虾夷扇贝的
开壳效果,分别测量拉力值和开口宽度。
T
/
图 12 虾夷扇贝开壳拉力值与蒸汽喷射
时间的关系
Fig. 12 The relationship between the tensile force value for
shell opening of scallops and the steam jetting time
T
N
N
图 13 虾夷扇贝开口宽度与蒸汽喷射时间的关系
Fig. 13 The relationship between the opening width of
scallops and the steam jetting time
在相同温度蒸汽下,虾夷扇贝的开壳拉力值
随着加热时间增加而降低,在相同的加热时间下,
若蒸汽温度越高,则开壳拉力值越低。 虾夷扇贝
的开口宽度随着加热时间增加而增大,相同的加
热时间若蒸汽温度越高,则开壳宽度越高。 由于
虾夷扇贝的个体差异,相同条件下,拉力值和开壳
宽度呈现显著差异。
100.0%
80.0%
60.0%
40.0%
20.0%
0.0%
1 2 3 4 5
140? 160?
T
图 14 不同蒸汽喷射时间下虾夷扇贝开壳完整率
Fig. 14 Shell opening integrity rate of scallops
under different steam jetting times
对比不同蒸汽喷射时间下虾夷扇贝的开壳完
整率,在 140 ℃蒸汽喷射下,1 ~ 5 s 时间下虾夷扇
贝均不能实现开壳完整率 100%。 在 160 ℃ 蒸汽
喷射下,2 s 时间以上虾夷扇贝能够实现开壳完整
率 100%。
对比可以看出,在 140 ℃条件下,开壳完整率
低导致扇贝柱破损,影响产品品质。 在 160 ℃ 条
件下,虾夷扇贝的开壳开口宽度更大,所需的开壳
拉力值较小,开壳完整率更高,因此优选 160 ℃作
为开壳温度。
2. 5 不同蒸汽喷射时间下虾夷扇贝的温度分布
设定蒸汽温度 160 ℃ ,蒸汽压力大致为 0. 6
MPa,蒸汽喷射流量约为 9. 1 kg / h;对比加热前和
喷射时间 1~5 s 的红外图像可知(图 15),随着加
热时间的增加,虾夷扇贝表面的平均温度、最高温
度和升温区域范围也呈现变大的趋势,加热 5 s
时间的最高温度 76. 0 ℃ ,相对于加热 1 s 时间的
最高温度 64. 4 ℃ ,温度升高 18%,故从品质保持
的角度考虑,在满足开壳的需求下,加热的时间越
短越好。
130
第 6 期 倪锦等:基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析
T
T T
T T
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
ff
图 15 不同蒸汽喷射时间下虾夷扇贝的温度分布图
Fig. 15 Temperature distribution chart of scallops under different steam jetting times
T
T
图 16 不同蒸汽喷射时间下虾夷扇贝温度
变化曲线
Fig. 16 The temperature change curve of scallops under
different steam jetting times
2. 6 不同蒸汽喷射时间开壳的汁液流失
不同蒸汽喷射时间开壳的汁液流失如图 17 所
示。 1 s 时间的虾夷扇贝的汁液流失率为 0. 56%,
随着加热时间的延长,汁液流失率随着加热时间呈
现不断增长的趋势,在 5 s 时达到 1. 42%,总体汁液
流失率水平较低,在 2 s 瞬时加热开壳条件下汁液
损失率为 0. 86%,损失轻微。
T
/s
/%
图 17 汁液流失率与蒸汽喷射时间的关系
Fig. 17 The relationship between juice loss rate and
steam jetting time
2. 7 虾夷扇贝开壳的外观形态
蒸汽喷射参数:温度 160 ℃ ,蒸汽喷嘴的入口
口径 8 mm。 壳长 110~120 mm,壳厚 22~25 mm,
质量 100~ 125 g / 枚。 不同蒸汽加热时间开壳后
131
渔 业 现 代 化 2024 年
虾夷扇贝形态如图 18 所示。
虾夷扇贝在加热 2 ~ 5 s 的条件下,均能保持
较好的外观完整,在加热 1 s 时,横纹肌区域部分
分离,在机械拉开外壳的过程中,部分横纹肌受到
破坏[23]
。 随着加热时间的延长,虾夷扇贝的肌肉
组织的熟化程度[24] 越高, 2 s 时间瞬时加热既能
满足开壳要求也能较大限度地降低熟化。
T T
T T T
图 18 不同加热时间下的虾夷扇贝开壳形态
Fig18 Shell opening morphology of scallops under different heating times
T T T T T
图 19 不同加热时间下贝柱及切面形态
Fig. 19 Morphology of scallop adductor muscle and its cross-section under different heating times
不同加热时间下贝柱及切面形态如图 19,随
着蒸汽加热时间的增加,扇贝柱表面熟化程度逐
渐增加,在 1 s 时,扇贝柱外观破损,在 2 s 时,扇
贝柱外观完整且基本保持生鲜状态。
2. 8 不同蒸汽喷射时间下虾夷扇贝开壳的感官
评价
不同蒸汽喷射时间的虾夷扇贝开壳的感官评
价如图 20 所示,开壳操作时加热时间越长,闭壳
肌表面的熟化程度越高,开壳难度越低和开口大
小越大。 综合感官评定和开壳效率[25-26]
,确定蒸
汽温度 160 ℃ ,加热时间 2 s 为较优的瞬时热处
理精准开壳工艺参数。 蒸汽温度 160 ℃的虾夷扇
贝瞬时热力开壳工艺,能够较好地保持组织状态,
开壳容易,对比现有的蒸汽热力开壳工艺[27-28]
,
具有较好的开壳效果,因此完全可适用于虾夷扇
贝的热力开壳。
2. 9 不同加热时间下的闭壳肌色差分析
不同蒸汽加热时间下的闭壳肌色差如图 21,
132
第 6 期 倪锦等:基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析
生鲜扇贝闭壳肌的亮度 L∗值为 47. 8,贝闭壳肌
的白度 L∗ 随着蒸汽加热时间的增加而增大,这
是由于蒸汽加热时间的延长使闭壳肌熟化[29]
,由
透明逐渐变成白色。 这主要是由于蒸汽的热作用
使扇贝闭壳肌纤维中的蛋白质发生变性[30]
,肌浆
蛋白及原纤维蛋白等发生凝聚引起的闭壳肌表面
颜色变化,使闭壳肌的整体亮度提升,随着蒸汽加
热时间增加扇贝闭壳肌的 L∗ 基本呈现出先升
高后趋于稳定的趋势,当蒸汽加热时间 5 s 时,
L∗值为 55. 4,相对于生鲜样品增大了 15. 8%。
生鲜扇贝闭壳肌的 a∗值为 3. 4,闭壳肌的红度
a∗随着蒸汽加热时间的增加而逐渐降低[31]
,当
蒸汽加热时间 5 s 时,a∗值为 2. 2,相对于生鲜样
品降低了 35. 3%。 生鲜扇贝闭壳肌的黄度 b∗值
为 7. 6,扇贝闭壳肌的 b∗随着蒸汽加热时间的增
加而增大,当蒸汽加热时间 5 s 时,a∗值为 12. 2。
随着蒸汽加热时间的延长,扇贝闭壳肌 L∗值、
a∗值和 b∗值的变化,反映为闭壳肌熟化。
T
fl
图 20 不同蒸汽喷射时间的虾夷扇贝开壳的感官评价
Fig. 20 Sensory evaluation of shell opening of scallops under different steam jetting times
- B C
图 21 不同加热时间下的闭壳肌色差
Fig. 21 Color difference of adductor muscle under different heating times
2. 10 虾夷扇贝瞬时热处理开壳工艺
利用蒸汽瞬时加热虾夷扇贝闭壳肌局部区域
可以实现虾夷扇贝的开壳,由于虾夷扇贝自身存
在显著的差异性,通过蒸汽喷射(160 ℃ ,2 s) 并
不能实现全部虾夷扇贝的自然开壳,还需辅助机
械设施实现虾夷扇贝壳肉的完全分离。 由于虾夷
扇贝规格热容量的不同,不同规格的虾夷扇贝的
热力开壳存在一定的差异性。 研究得出如下结
论:壳长 110 ~ 120 mm,壳厚 22 ~ 25 mm,质量为
100~ 125 g / 枚的虾夷扇贝,采用蒸汽喷射( 160
℃ ,2 s),开壳后虾夷扇贝的开壳完整率 100%,汁
液流失率 0. 86%,表明瞬时热处理的虾夷扇贝精
准开壳方法能够较好地保持生鲜品质。 根据试验
结果,确定虾夷扇贝的瞬时热处理开壳工艺方法:
133
渔 业 现 代 化 2024 年
1)获取虾夷扇贝的外形图像特征数据。 采
用工业相机获取开壳加工前的虾夷扇贝的图像 P
(i),P( i) 代表第 i 个虾夷扇贝图像。 利用 SIFT
等特征算法[32] 获取图像 P( i) 的特征,并将获取
的特征与预先存储的虾夷扇贝左右面图像特征库
进行匹配,判断出虾夷扇贝的左右壳,并利用机械
装置调整虾夷扇贝摆放,使虾夷扇贝的左壳向上。
进一步对图像 P ( i) 进行灰度,二值化阈值分
割[33]
,高斯滤波和形态学处理[34]
,采用 Canny 边
缘检测算法[35]获得虾夷扇贝轮廓,采用最小外接
圆算法,得到虾夷扇贝的最小外接圆[36]
,计算出
最小外接圆的直径 D(i)。
2)确定蒸汽喷嘴的中心位置。 以虾夷扇贝
外接圆的圆心为坐标原点,建立虾夷扇贝个体坐
标系如图 22。 结合统计分析的虾夷扇贝生物学
特征数据,确定蒸汽喷嘴的中心坐标点为 ( 0,
-0. 199 D(i))。
图 22 虾夷扇贝的外接圆示意图
Fig. 22 Schematic diagram of the circumcircle of scallop
3)确定虾夷扇贝的蒸汽加热区域。 计算虾
夷扇贝的左壳加热区域,加热区域的控制方程为
x
2+(y+0. 997 D(i))
2 = (0. 167 D(i))
2
,选取合适
的蒸汽喷嘴,确保蒸汽加热主体围绕该区域,利用
蒸汽顺时高温加热破坏闭壳肌活性。
4)确定瞬时热处理精准开壳参数。 利用机
器视觉设施,获取虾夷扇贝的扇贝长度 L( i) ,
L( i)代表第 i 个虾夷扇贝的扇贝长度。 蒸汽喷
射参数根据虾夷扇贝的扇贝长度,蒸汽温度为
160±2 ℃ ,加热时间为 2. 0 s,具体蒸汽参数如
表 2。
表 2 瞬时热处理精准开壳参数
Tab. 2 Precise shell opening parameters for instantaneous
heat treatment
虾夷扇贝
质量/ g
70<L(i)
≤90
90<L(i)
≤110
110<L(i)
≤120
120<L(i)
≤150
蒸汽流量/ (kg / h) 8. 2 9. 1 10. 2 11. 5
5)确定机械辅助去壳作用力。 按照表 2 规
定的瞬时热处理精准开壳参数,完成虾夷扇贝左
壳的蒸汽喷射,然后利用真空吸嘴或机械设施将
左壳去除,去壳的作用力不小于 15 N。 本研究确
定的虾夷扇贝瞬时热力开壳工艺可连续式精准开
壳,目前的普遍热力开壳工艺无法满足精准开壳,
统一的热力参数导致虾夷扇贝在热力开壳过程中
品质难以控制,本方法较现有的热力开壳方法更
为精准和可靠,能够针对虾夷扇贝的规格参数设
定开壳参数,在良好开壳的同时保证了开壳后虾
夷扇贝的品质,在最大限度降低能耗的同时实现
了虾夷扇贝的高质量加工。
3 结论
开展了虾夷扇贝的瞬时热力开壳研究,研究
表明:虾夷扇贝在蒸汽喷射(160 ℃ )条件下,与蒸
汽喷射(140 ℃ )相比,开壳的开口宽度更大、开壳
拉力值更小、开壳完整率更高,优选 160 ℃作为瞬
时热处 理 的 蒸 汽 热 源 温 度。 针 对 壳 长 110 ~
120 mm、壳厚 22 ~ 25 mm、质量 100 ~ 125 g / 枚的
虾夷扇贝,研究确定的开壳工艺:扇贝柱区域外壳
蒸汽喷射(160 ℃ ,2 s),蒸汽流量可根据瞬时热
处理精准开壳参数设定,能够针对虾夷扇贝实现
精准瞬时热力开壳,开壳后的开壳完整率 100%,
汁液流失率 0. 86%,扇贝柱基本保持生鲜状态,
开壳效果良好,品质保持优良,是比较适宜的瞬时
热力开壳工艺。 □
参考文献
[1] 徐帅,王晓梅,赵春暖,等. 虾夷扇贝自交与杂交群体不同时
期的生长比较和通径分析[ J]. 海洋渔业, 2024, 46 ( 4):
446-458.
[2] 励建荣. 我国水产品加工业现状与发展战略[ J]. 保鲜与加
工,2005,5(3):1-3.
[3] 滕瑜,王彩理. 国内外水产品加工的研究现状[ J]. 天津水
产,2005(3):10-13.
[4] HARRIS H,SMITH D A. Method for thermally peeling produce
continuousy at high temperatures and low pressures:United States,
134
第 6 期 倪锦等:基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析
4. 671. 965A[P]. 1987-06-09.
[5] 沈建,林蔚,郁蔚文,等. 我国贝类加工现状与发展前景[ J].
中国水产,2008(3):73-75.
[6] GIFFORD W J, PLEASANTVILLE F B. Water cooled roller
shucker for shuckfish:united states,4924555[P]. 1990-05-15.
[7] JABBOUR T,HOGNASON G. Method for shucking lobster. crab
or shrimp:united states,US2011 / 0070353 AI[P]. 2011-03-24.
[8] RAGHUBEER E V, PHAN B. Method to remove meat from
crabs:united states,US20060205332 AI[P]. 2006-09-14.
[9] 李秋实,王家忠,弋景刚,等. 海湾扇贝闭壳肌剥离设备的发
展现状与展望[J]. 广东农业科学,2013(10):198-201.
[10]王家忠,李秋实,弋景刚,等. 扇贝剥离设备喷嘴内部流场的
仿真分析与参数优化[ J]. 现代食品科技, 2014, 30 ( 1):
143-146.
[11]CRUZ M R,SMIDDY M,HILL C,et al. Effects of high pressure
treatment on physicochemical characteristics of fresh oysters
(Crassostrea gigas) [ J]. Innovative Food Science and Emerging
Technologies,2004,5(2):161-169.
[12]王家忠,李磊,孔德刚,等. 基于红外辐射的鲜活扇贝开壳方
法与参数优化[J]. 农业工程学报. 2022,38(1):324-331.
[13]龙官誉,柯志刚,相兴伟,等. 激光开壳技术对贻贝肉脱壳率
和品质的影响研究[J]. 核农学报,2023,37(5):990-998.
[14]孔德刚,江达,王家忠,等. 海湾扇贝热处理开壳装置设计与
试验[J]. 中国农机化学报,2023,44(2):76-82.
[15]弋景刚,吴红雷,姜海勇,等. 蒸汽式扇贝开壳装置工作参数
优化[J]. 农业工程学报,2014,30(18):70-77.
[16]贺兴禹,沈建,欧阳杰,等. 超高压对牡蛎开壳效果及品质变
化的影响[J]. 渔业现代化,2023,50(3):97-103.
[17]张静,弋景刚,姜海勇,等. 蒸汽式扇贝柱脱壳技术优化[ J].
广东农业科学,2013,40(14):120-122.
[18] 李伟青,王颉,孙剑锋,等. 海湾扇贝营养成分分析及评价
[J]. 营养学报,2011,33(6):630-632.
[19]GB 2733—2005 鲜、冻动物性水产品卫生标准[S].
[20]庞宝成,王宪岱,梁久征. 虾夷扇贝组织结构分析[ J]. 河北
渔业,2016(1):12-15.
[21]孔德刚,弋景刚,姜海勇,等. 海湾扇贝开壳取贝柱工艺方案
的研究[J]. 中国农机化学报,2014(2):230-234.
[22]杜美荣,王彬,张继红,等.一龄栉孔扇贝壳长与壳高对湿重
的相关性和通径分析[ J]. 中国农学通报,2012,28 ( 20):
136-139.
[23]陈伟婵,曾少葵,吴文龙. 冻藏时间对扇贝闭壳肌及裙边理
化性质的影响[ J]. 食品安全质量检测学报,2015,6( 10):
3998-4002.
[24]梁宏,王一帆,管纹萱,等. 即烹扇贝冷冻预制菜的质构特性
及营养品质评价分析[ J]. 食品安全质量检测学报, 2024
(5):23-33.
[25]刘蓉,刘雨曦,张玉莹,等. 基于代谢组学的虾夷扇贝不同组
织风味与营养成分变化差异[ J]. 食品科学,2022,43(20):
289-295.
[26] WU ZX, LI DY, SHEN M, et al. Effect of different sous-vide
cooking conditions on textural properties,protein physiochemical
properties and microstructure of scallop ( Argopecten irradians)
adductor muscle [J]. Food Chem,2022,394:133470.
[27]王继涛. 热处理对扇贝闭壳肌肌动球蛋白生化性质的影响
[J]. 食品与发酵工业,2012,38(2):22-26.
[28]张馨丹,王慧慧,芦金石,等. 贝类预煮加工设备结构设计及
运动仿真[J]. 食品与机械,2016,32(7):69-71.
[29]巩雪. 超高压作用下扇贝闭壳肌色差变化探析[ J]. 包装学
报,2022(1):70-80.
[30]步营. 胡显杰,刘瑛楠,等. 两种浓缩方式对扇贝蒸煮液色泽
及挥发性风味物质的影响[ J]. 中国调味品, 2019 ( 12):
12-17.
[31]巩雪,常江,李丹婷,等. 超高压对扇贝界面闭壳肌结构的影
响[J]. 食品科学,2021(13):87-93.
[32]杨祥,周楠. 改进 SIFT 的特征提取与图像拼接方法[J]. 桂林
理工大学学报,2023(1):131-136.
[33]孙海蓉,伍金文. 基于加权灰度图与混合阈值分割方法的光
伏热斑检测[J]. 电力科学与工程,2024(1):63-68.
[34]王慧玲,王浩,张岩. 基于多尺度形态学的彩色图像滤波算
法的研究[J]. 阜阳师范学院学报(自然科学版),2014( 3):
37-39.
[35]田贝乐,牛宏侠,刘义健.一种优化的 Canny 边缘检测算法
[J]. 铁路计算机应用,2021(10):14-18.
[36]干江红,汪洁,许美红. 基于外包络点的最小外接圆误差快
速评定方法[J]. 计量学报,2023(5):687-693.
135
渔 业 现 代 化 2024 年
Accurate shucking method and quality analysis of scallop
(Patinopecten yessoensis) based on instantaneous heat treatment
NI Jin
1,2,3
,TAN Jiayu
1,2,3
,ZHANG Junwen
1,2,3
,SHEN Jian
1,2,3
(1 Fishery Machinery and Instrument Research Institute,Chinese Academy of
Fishery Sciences,Shanghai 200092,China;
2 Collaborative Innovation Center of Seafood Deep Processing,
Dalian Polytechnic University,Dalian 116034,Liaoning,China;
3 Key Laboratory of Ocean Fishing Vessel and Equipment,
Ministry of Agriculture and Rural Affairs,Shanghai 200092,China)
Abstract:In view of the difficulties and low efficiency of manual shucking of fresh scallop,and the potential
impact of traditional thermal treatment on the quality of fresh scallop ( Patinopecten yessoensis), a precise
shucking method based on instantaneous thermal treatment was proposed for scallop. Temperature is the key
factor determining the effect and quality of scallop shucking by thermal treatment. In order to explore the
precise shucking method of scallop by instantaneous thermal treatment,the body shape parameters of scallop
were measured to construct a precise steam jet shucking method. By comparing the shucking integrity rate,
color difference, juice loss rate, etc. of scallop under different instantaneous thermal treatment conditions,
combined with sensory evaluation analysis,the optimal instantaneous shucking parameters were determined.
The results showed that compared with 140 ℃ steam,the opening width of scallop was larger,the shucking
tensile value was smaller,and the shucking integrity rate was higher under the action of 160 ℃ steam,thus
determining the heat source temperature of instantaneous thermal treatment as 160 ℃ . The longer the steam
spraying time, the smaller the difficulty of scallop shucking, the larger the opening width, and the
comprehensive sensory evaluation determined that the steam spraying time of instantaneous thermal treatment
was 2 s. For scallop with a shuck length of 110-120 mm,a shuck thickness of 22-25 mm,and a weight of 100-
125 g / piece,using steam spraying (160 ℃ ,2 s),the shucking integrity rate of scallop was 100%,and the
juice loss rate was 0. 86%. The study showed that the precise shucking of scallop by instantaneous thermal
treatment could better maintain the quality of fresh scallops,providing a theoretical basis for the automated
processing of scallops.
Key words:Patinopecten yessoensis; steam; shuck method; quality
136
第 6 期 《渔业现代化》2024 年第 51 卷总目次
《渔业现代化》2024 年第 51 卷总目次
综述与专论
光照在甲壳动物养殖中的应用研究进展 ………………………………………………… 牛林洋,董宏标,郑晓婷,等(1) 1
福建省装备型深远海养殖发展现状及建议 ……………………………………………………………………… 林洁梅(1)11
基于深度学习的鱼类跟踪技术研究进展 …………………………………………………… 李鹏龙,张胜茂,沈烈,等(2) 1
渔获物海上称重技术国内外发展现状及展望 ………………………………………………… 葛枫晔,郑晓伟,郑本中(2)14
淡水池塘养殖尾水处理技术研究综述 ……………………………………………………… 张俊,姚晶晶,程果锋,等(4)95
基于被动声学的对虾摄食行为研究进展 …………………………………………………… 刘慧仪,田昌凤,刘晃,等(5) 1
鱼肉切割技术的发展现状与展望 ………………………………………………………………… 肖哲非,马田田,沈建(5) 9
水产养殖工程
草鱼池塘养殖水体的悬浮物特征 …………………………………………………………… 陈哲,刘兴国,程翔宇,等(1)19
配重系统对 HDPE 圆形重力式网箱水动力特性影响研究 ………………………………… 王笑,黄六一,邬骞力,等(1)29
水产养殖中传统增氧设备增氧能力差异分析 ……………………………………………… 钟伟,吴姗姗,韩梦遐,等(1)39
国内外深远海养殖设施标准对比分析及建议 ………………………………………………… 吴姗姗,郑建丽,曹建军(1)48
折角比对养殖工船舱内流场特性的影响 ……………………………………………………… 赵玲菲,薛博茹,赵云鹏(2)22
大连市乌蟒岛海域大型深水坐底式网箱建设适宜性分析 …………………………………… 刘敏,迟庆宏,李兴,等(2)32
深水网箱养殖水性给料投饲机设计与研究 ……………………………………………… 张世中,张天时,刘国涛,等(2)39
基于 LoRa 无线通信的电子脉冲拦鱼器设计 ……………………………………………… 陈伟恒,王明武,赛开阳,等(2)45
导向式活鱼分级装置设计及试验 ……………………………………………………………… 王志勇,徐志强,邹海生(3) 1
绿光辐照度对红鳍东方鲀视网膜、视蛋白基因及氧化应激的影响 ……………………… 张志博,吴燕玲,张怡宁,等(3) 8
短波紫外线辐照对近江牡蛎眼点幼虫存活及附着的影响 …………………………………… 葛善,黄六一,刘晓,等(3)17
罗非鱼养殖尾水絮凝去除效果研究 ……………………………………………………… 程果锋,程翔宇,周宏亮,等(3)25
波浪作用下半潜式网箱浮架结构的参数敏感性分析 ………………………………………… 孔令蔚,杨蕖,马超,等(3)33
基于加速度分量测量的水下网衣破损定位方法 ……………………………………………… 孙衍谦,李子介,赵云鹏(3)46
多浮球阻力性能海上实测与数值模拟研究 …………………………………………… 岳云鹏,周骏,扈喆,张晓莹,等(3)61
饲料粘合剂对刺参循环水养殖水质、生长及肠道微生物的影响 ………………………… 周宜敬,宋晨雨,杜凌翔,等(4)14
循环水养殖系统中二氧化碳对鱼类的影响及去除方法 …………………………………… 仓晟楠,吕欣蓝,胡鑫,等(4)27
短期存贮温度对生物絮团反硝化性能的影响 …………………………………………… 肖定东,刘文畅,郭衍硕,等(4)37
海水养殖残饲粪便衍生生物炭对水体中污染物的去除 ………………………………… 蔡永坤,田文静,张翔宇,等(4)48
LED 光照对生物絮团模式下凡纳滨对虾肌肉营养成分的影响 ………………………… 牛林洋,董宏标,郑晓婷,等(4)57
虎龙杂交斑循环水育苗系统设计及应用效果 ………………………………………………… 黄达,张和森,刘敏,等(4)66
射流式泡沫分离器中气水比对水处理效率的影响 …………………………………………… 姜浩,柳瑶,宋协法,等(4)73
水力负荷对内循环生物脱氮装置脱氮效能影响及其机理 ………………………………… 郑毅凯,李甍,孙佐梁,等(4)82
3 种水生植物潜流人工湿地模拟处理池塘养殖尾水的研究 …………………………… 阙祥尧,张燕萍,余建芳,等(4)105
对虾养殖环境脱氮脱硫复合菌的构建与效能分析 …………………………………………… 李梓路,刘畅,李腾,等(5)18
横摇晃荡对矩形工船养殖舱内流场与颗粒物去除的影响 ………………………………… 吉泽坤,刘晃,崔铭超,等(5)28
湾外底层延绳式养鲍系统水动力特性 ……………………………………………………… 康慧楠,蔡卓君,扈喆,等(5)38
大型养殖工船氧锥设计与运行效果试验 ………………………………………………… 林礼群,马凤爽,张耀明,等(5)48
黄河三角洲盐碱地稻蟹共作系统水质和底栖生物群落 ………………………………………… 徐婵,刘峰,李娴,等(5)56
养殖工船养殖舱清洁系统的设计与清洁能力分析 …………………………………………… 郭宇,刘璧钺,方波,等(6) 1
草鱼疫苗连续自动注射装置设计与试验 ………………………………………………………… 洪扬,朱烨,杨猛,等(6)10
Ⅰ
渔 业 现 代 化 2024 年
聚乙烯网衣破损因素下的水动力特性与流场模拟 ……………………………………… 唐元龙,谢迎春,袁昊训,等(6) 20
不同 LED 光谱和辐照度耦合对刺参行为与生理指标的影响 …………………………… 张小龙,赵欣宇,蔡皓玮,等(6) 31
一种升降清洗式水质传感器管控装置研制及应用 …………………………………………… 李旭,江兴龙,陈庆祥(6) 40
海洋环境监测平台数据采集吊舱减摇装置动力学分析与试验 ………………………… 李文松,李明智,王生海,等(6) 49
罗非鱼养殖尾水污染物沉降特征研究 ……………………………………………………… 程果锋,郭泽裕,王婕,等(6) 61
渔业信息化
基于 Mel 声谱图与改进 SEResNet 的鱼类行为识别………………………………………… 杨雨欣,于红,杨宗轶,等(1) 56
基于主动识别声呐的养殖塘南美白对虾探测与初步分析 ………………………………… 沈蔚,卢泉水,彭战飞,等(1) 64
基于稠密光流和统计学的虾苗活力检测方法 ……………………………………………… 薛江浩,陈明,苗扬扬,等(1) 71
基于线激光三角测距法的鱼体测距研究 ………………………………………………… 俞圣池,李佳康,熊鑫泉,等(1) 80
基于 ResNet34 模型的大菱鲆鱼苗识别计数方法 …………………………………………… 涂雪滢,钱程,刘世晶,等(1) 90
边缘算力在智能水产养殖方面研究与应用 ………………………………………………… 张锋,黄自强,申启杨,等(2) 53
改进的 DeepLabCut 鱼类游动轨迹提取……………………………………………………… 雷帮军,裴斐,吴正平,等(2) 61
宽带分裂波束探鱼仪相位校准与方位角估计模块的实现 ……………………………… 王志俊,汤涛林,张玉涛,等(2) 70
基于改进 YOLOv5n 的轻量化海产生物目标检测…………………………………………… 张翔,张俊虎,李海涛,等(3) 89
基于机器视觉的工厂化循环水养殖智能投喂策略 ………………………………………… 李脉,李东升,郑吉澍,等(4) 1
基于轻量级非线性无激活网络的水下图像增强 ……………………………………………………… 黄宏涛,袁红春(5) 63
基于改进 YOLOv8n 损失函数的克氏原螯虾体特征识别算法…………………………… 耿春新,王爱民,阎天宇,等(5) 72
基于 Prune-YOLOv5s 的养殖鱼类缺氧风险评估方法 …………………………………… 陈庭槿,黄耀波,陈炫辛,等(5) 81
基于注意力机制的 DM-BCNN 鲨鱼种群细粒度分类方法 …………………………………… 蒋飞,李皞,李雅琴,等(5) 90
一种基于视觉的鱼苗体长快速非接触测量方法 ………………………………………… 马志艳,吴佳俊,周明刚,等(6) 69
基于 Segformer 与特征融合的水下养殖鱼类图像分割方法 ………………………………… 苏碧仪,梅海彬,袁红春(6) 80
基于改进 YOLOv8 的轻量级鱼类检测方法 ……………………………………………… 王鑫怡,刘旭腾,郑纪业,等(6) 91
基于 SE-ResNet18 模型的三疣梭子蟹性别分类方法 …………………………………… 王日成,郑雄胜,高玉凤,等(6)100
基于多尺度残差连接的水下图像自适应增强 ………………………………………………………… 谢小文,袁红春(6)115
水产品加工
海参清洗剖切一体化设备设计 ……………………………………………………………… 杨胜,孙永军,鞠文明,等(1) 98
不同放血方法对鳙鱼鱼肉品质的影响 ………………………………………………………… 黄天,沈建,欧阳杰,等(2) 85
红外心率测定技术在香港牡蛎保活运输过程中的应用 …………………………………… 邓杰,常向阳,林恒宗,等(2) 93
南极磷虾螺旋轴套加热干燥特性及干燥动力学模型 …………………………………… 马靖松,欧阳杰,马田田,等(2)102
淹没水射流式贝肉清洗装置设计与试验 …………………………………………………… 王杰群,李明智,刘鹰,等(3) 98
蒸煮过程中南极磷虾虾青素降解动力学研究 …………………………………………… 马田田,肖哲非,欧阳杰,等(5)110
基于瞬时热处理的虾夷扇贝精准开壳方法及品质分析 …………………………………… 倪锦,谈佳玉,张军文,等(6)125
渔船与捕捞
辽东湾多锚单片张网鱼虾分离网片的选择性研究 ……………………………………… 秦旭杨,张春鹏,崔筱杰,等(1)106
欧式围网起网理网机负载敏感液压系统设计及仿真 ……………………………………… 石鑫,谌志新,马凤爽,等(2) 78
金枪鱼延绳钓单丝和绳索的惯性力系数和阻力系数研究 ……………………………… 宋利明,张锦辉,李玉伟,等(3) 70
基于流固耦合算法的不同材料网板水动力试验 ………………………………………… 初文华,武树龙,王一博,等(3) 79
基于 CFD 的某远洋围网渔船纵倾节能技术 ………………………………………………………………… 李纳,高瑞(5)102
Ⅱ
平 ⚌ 梡 ➿ ⻊
Y U Y E XIANDAI H U A
1 9 7 3 䎃 ⴚ
⿽ 剢 ⴚ
䚪2 9 3 劍 痦 ⽷ 痦 6 劍 )
2 0 2 4 䎃 12剢
F I S H E R Y
M O D E R N I Z A T I O N
( B i m o n t h l y )
V o l . 5 1 , N o . 6 , 2 0 2 4
( Tota l N o . 2 9 3 )
December 2 0 2 4
51
ѱԱည 䱾ߑ
Ʌ⑊ѐ⧦ԙौɆ㕌䗇ညՐ
ѱԱညࢥ
ည
φ
φ
φ
