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. 006 开放科学(资源服务)标识码(OSID):

李文松,李明智,王生海,等. 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[J]. 渔业现代化,2024,51(6):49-60.

收稿日期:2024-09-14

基金项目:国家重点研发计划( 2020YFD0900700);国家贝类产业技术体系设施养殖岗位( CARS - 48);辽宁省教育厅科学研究项目

(DL202004);辽宁省自然科学基金计划项目(2023-BSBA-020);设施渔业教育部重点实验室(大连海洋大学)项目(202320)

作者简介:李文松(1999—),男,硕士研究生,研究方向:渔业装备与工程、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:渔业装备与工程、船舶机电一体化。 E-mail:limingzhi@ dlou. edu. cn

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1

,李明智1,2

,王生海3

,王刚4

,王玺华1

,万殿鹏1

(1 大连海洋大学航海与船舶工程学院,辽宁 大连 116023;

2 设施渔业教育部重点实验室(大连海洋大学),辽宁 大连 116023;

3 大连海事大学轮机工程学院,辽宁 大连 116026;

4 大连海洋大学创新创业学院,辽宁 大连 116023)

摘要:随着海洋牧场建设向纵深发展,环境监测平台已广泛应用于海洋牧场海水养殖环境监测中。 针对生产

使用的海洋环境监测平台数据采集吊舱布放回收过程中因受风、浪、流影响下出现的电缆断裂损坏问题,设

计了一种海上平台吊舱减摇装置。 基于牛顿第二定律建立了海上平台横摇、纵摇激励下的吊舱减摇装置动

力学模型,并使用 Matlab / Simulink 软件进行了数值仿真分析,比较了有无减摇装置情况下吊舱摆幅的变化

情况。 结果显示:在有减摇装置的情况下,吊舱的面内角摆动幅度可减小约 66. 9%,面外角摆动幅度可减小

约 69%,平均减摇比为 67. 95%,在已有的理论基础上搭建了样机并进行了试验验证。 结果显示,吊舱减摇装

置对吊舱的摆幅具有明显的抑制作用,面内角摆动幅度可减小约 73. 5%。 研究表明,吊舱减摇装置对提高海

洋牧场监测平台数据采集系统的可靠性与安全性具有重要的实践指导意义。

关键词:海上平台;数据采集吊舱;减摇装置;动力学分析

中图分类号:U664. 4 文献标志码:A 文章编号:1007-9580(2024)06-0049-012

随着海洋牧场建设向纵深发展,以海洋养殖

环境监测为核心的海洋牧场养殖模式越来越受到

重视[1-2]

。 其中,基于海上平台的数据采集吊舱

在线监测技术已成为一项重要的监测手段,可以

实现海洋牧场海水养殖环境的原位、长期、连续和

实时在线监测[3-4]

。 数据采集吊舱上搭载的各类

传感器设备是在线监测系统的核心部分,由于数

据采集吊舱布放回收过程具有动态性、复杂性和

不确定性等特点,海上平台在海洋中受到来自风、

波浪、海流联合作用的影响下发生 6 个自由度的

激励作用[5]

,激励通过海上平台传递给数据采集

吊舱,海上平台激励与数据采集吊舱惯性的耦合

作用使得数据采集吊舱产生大幅摆动[6]

,尤其当

吊舱在水中拉起至海上平台这个过程中由于受到

海浪的作用与海上平台发生碰撞对数据采集吊舱

造成危害,易造成设备损坏和缆绳断裂,因此布放

回收过程一直是影响监测系统高效稳定的技术难

点之一[7-9]

。

布放回收技术主要包括水面回收和水下回收

两个方面,通过船舶或海上平台水面布放回收是

目前的主流技术方向[10-11]

。 传统单缆水下监测

设备由海上平台拖缆下放,当海上平台发生大幅

度运动时,监测设备的危险性将大大提高[12-13]

。

因此,布放回收过程中减少水下监测设备的摆动

幅度变得尤为重要。 基于海上平台进行吊舱布放

回收类似于船用起重机起吊重物。 近年来,国内

外研究人员对船用起重机吊重的减摇问题进行了

系列研究,Martin 等[14]提出了一种船用起重机自

抗扰系统,能有效补偿船舶的 6 自由度运动,减少

了吊重不期望的有效载荷运动。 Ren 等[15] 提出

了一种不依赖空间状态方程,且不论系统构型如

何均能有效减小悬挂吊重摇摆的无模型防摆方

案。 王生海等[16] 介绍了单摆在 2 自由度激励条

件下的动力学建模及摆动抑制问题。 孙茂凯

渔 业 现 代 化 2024 年

等[17]提出了一种将船用多柔索减摇系统简化成

受船舶运动和风载荷激励的约束摆模型,对多柔

索减摇系统的动力学特性进行仿真分析。 陈海泉

等[18]建立了一种配备牵引索式减摇装置的船用

起重机吊重系统动力学模型,研究了其在单自由

度激励作用下的摆动抑制问题。 然而,这些机械防

摆装置大多应用于船用起重机,结构复杂、体积较

大、造价昂贵,因此在实际海上平台上的应用受到

了一定的限制,难以适应海洋牧场环境监测任务。

目前,不同海洋环境下基于海上平台进行吊舱布放

回收过程中的稳定与安全问题仍然是技术难点。

本研究基于海上平台的水面布放回收,针对

海上平台对数据采集吊舱进行布放回收时外部激

励作用下吊舱会产生大幅度摆动,易造成数据采

集吊舱损坏及电缆断裂问题,设计一种低成本、结

构简单,利用 3 根减摇绳索对其进行减摇控制的

海上平台吊舱减摇装置,以期提高海洋牧场环境

监测平台数据采集系统的可靠性与安全性。

1 传统单缆布放与减摇装置结构

1. 1 单缆布放系统

目前的养殖环境监测方式有实验室监测、浮

标监测、海上平台监测及无人船监测等[19]

。 其

中,基于海上平台的数据采集吊舱在线监测技术

因易建设、易维护、低成本等优点已成为一项重要

的监测手段,监测设备一般以传统的单缆布放回

收方式为主,如图 1 所示。 海上平台与数据采集

吊舱 6 自由度方向定义是一致的,x 轴方向为纵

荡,y 轴方向为横荡,绕 x 轴旋转为横摇,绕 y 轴

旋转为纵摇[20]

。

z

y

x









图 1 单缆布放回收装置

Fig. 1 Single cable deployment and recovery device

假设环境监测平台所处流域内的流体为理想

流体,即无黏性、分布均匀、不可压缩、无旋的流

体。 流场由速度势 Φ(x,y,z,t)= Re {φ(x,y,z)·

e

-iwt

}描述,速度势函数可以使用拉普拉斯方程求

出,用线性的边界条件代替非线性的自由表面条

件,可以求得速度势[21]

:

拉普拉斯方程:

2Φ(x,y,z,t) = 0 (1)

海水自由面条件:

∂

2Φ

∂t

2

+ g

∂Φ

∂z

= 0(z = 0) (2)

自由面物体表面条件:

∂Φ

∂n s

= Un (3)

50

第 6 期 李文松等: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

海底不可穿透条件:

∂Φ

∂n z = -H

= 0 (4)

初始条件:

Φ = 0,

∂Φ

∂n

= 0(t = 0) (5)

式中:Φ(x,y,z,t)为速度势;t 为时间,s;n 为湿表

面上指向内部的单位法向量;g 为重力加速度,m /

s

2

;Un 为法向速度;

2 为拉普拉斯算子;s 为浮体

湿表面,m

2

;H 为水的深度,m。

通过线性叠加原理速度势分解为辐射势Φ

R

、

入射势Φ

I 和绕射势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)

其中入射势是入射波对流场的作用,入射势

表达式为:

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 表示入射波圆频率,rad / s ;h 表示水深,m;k

表示波数;β 表示波浪方向和坐标系 x 轴之间的

夹角,(°)。

海上平台与数据采集吊舱是由缆绳连接的,

在时间域内,对由这些作用力产生的加速度进行

积分,由此可以得到结构的位置与速度。 时域整

体运动方程为:

MzA = Ft (8)

Ft

=F(t)-c

̇x(t)-Kx(t)- ∫

t

0

h(t-τ)

¨x(τ)dτ (9)

式中:Mz 为质量矩阵;A 为加速度,m / s

2

;Ft 表示

总作用力,N;t 为时间,s;K 为恢复力系数矩阵;c

为阻尼矩阵;h(t-τ)为时延函数矩阵。

通过 Solidworks 三维建模软件建立监测平台

模型后,导入到 Workbench-AQWA 软件生成平台

的水动力模型,如图 2 所示。

B



 C



图 2 水动力模型

Fig. 2 Hydrodynamic model

考虑到真实环境条件下当风、浪、流相同方向

时,海上平台的运动幅值最大[23]

,浪向角为 0°,

风、浪、流同向,选取山东威海实际 3 级海况进行

布放作业,具体平台海区布放情况如图 3 所示,风

速 5 m / s、波浪高度 0. 8 m、水深为 20 m,风谱与波

浪谱分别采用 API 谱与 JONSWAP 谱。 数据采集

吊 舱 通 过 Hydrodynamic Response 中 的 Cable

Winch 模块实现布放;Workbench-AQWA 基于三

维势流理论模拟海上平台在风、浪、流联合作用

下,绞车以指定的速度布放数据采集吊舱过程运

动时间历程,得出 3 级海况下,数据采集吊舱、海

上平台的纵荡、横摇、纵摇 3 个自由度下的运动响

应数据,如图 4 所示。

B

 C



图 3 平台海区布放情况图

Fig. 3 Chart of platform deployment in sea area

51

渔 业 现 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) 

图 4 3 个自由度下的运动响应

Fig. 4 Motion response under three degrees of freedom

由图 4 可知,布放数据采集吊舱过程中,当绞

车缆绳上端连接的海上平台受到来自风、浪、流的

环境载荷及系泊力作用下 6 自由度产生运动时,

下端连接的数据采集吊舱 6 自由度也在产生相应

运动,且二者运动响应趋势大致是一致的。 由于

海上平台受系泊力作用,其 6 自由度运动响应与

数据采集吊舱相比较小。 浪向角为 0°时,纵荡、

纵摇为主要的运动响应,数据采集吊舱纵荡响应

最大 2. 29 m,纵摇的运动响应最大可达 18. 575°。

数据采集吊舱产生大幅摆动,对其安全危害性巨

大。 海洋牧场环境监测平台数据采集吊舱在一次

现场布放过程中,如图 3 所示,由于海上风浪较大

加上人为操作失误等问题,数据采集吊舱晃动幅

度过大导致缆绳断裂,对数据采集吊舱上安装的

环境监测传感器造成巨大的损害,如图 5 所示。

图 5 数据采集吊舱损坏图

Fig. 5 Damaged data acquisition pod

1. 2 减摇装置设计

为了进一步提高数据采集吊舱在不同海况下

布放回收过程中的安全性,对传统单缆布放回收

方式进行改进,设计了一种海上平台吊舱减摇装

置,利用减摇装置将吊绳的摆幅减小,从而减小吊

舱的摇摆。 通过 Solidworks 三维建模软件对布放

回收装置进行三维建模,布放回收装置的结构如

图 6 所示,数据采集吊舱减摇装置主要由滑轮、减

摇臂、拉力传感器、角度传感器、3 根减摇索以及

对应的减摇绞车组成。 当吊舱进行布放回收,海

52

第 6 期 李文松等: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

上平台受到来自风、浪、流的联合激励时角度传感

器会测出吊舱摆动角度的变化,拉力传感器会感

受到绳索拉力的变化。 3 根减摇索的末端通过 3

个减摇臂与吊舱上方的三轮吊钩链接,以主吊索

为中心呈倒伞形布置,这种倒伞型结构可以实现

吊重在空间中任意方向摆动的抑制。 系统的总体

工作流程如图 7 所示。 该装置优点是:结构简单,

回收过程始终保持近似垂直的状态,更加稳定,提

高布放回收过程的安全性。 数据采集吊舱作为海

洋牧场环境监测系统的核心部分,主要由主体支

架、四根钢丝绳、十字卡扣和吊环等组成,分上中

下 3 层,中层可以根据实际监测需求安装不同类

型的环境监测传感器,具有良好的扩展性,总体呈

四边三角锥状,底盘相对较大,质心和浮心配置合

理,使其在姿态倾斜时能获得较大的恢复力矩并

保持稳定,具有良好的抗倾覆能力。



 







 



图 6 减摇装置三维结构图

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

注:θ1x 为海上平台的横摇角度;θ1y 为纵摇角度

图 7 系统的工作流程

Fig. 7 System workflow

2 计算原理与方法

2. 1 海上平台-吊点-吊重运动学模型

海上平台的运动包括横荡、纵荡、垂荡、横

摇、纵摇和艏摇 6 个自由度运动,其中横摇和纵

摇对海上平台的影响最为显著[24]

。 数据采集吊

舱减摇装置主要是通过 3 根减摇绳索抑制吊舱

因海上平台在海洋中受到来自风、波浪、海流联

合作用的影响下发生横摇和纵摇激励作用下引

起的摆动。

数据采集吊舱减摇装置结构如图 8 所示,Q、

K、N 为减摇装置出绳点,PQ、PK 和 PN 分别代表

减摇索l

1 、l

2 和l

3 。 其中定义 x0

y0

z0 为惯性坐标

系,x1

y1

z1 为海上平台坐标系,x2

y2

z2 为以主绞车

53

渔 业 现 代 化 2024 年

为中点的吊点坐标系。 吊舱的面内角和面外角分

别记为 θ 和 φ,θ 表示吊绳 L 在面 y2

o2

z2 的投影与

z2 轴的夹角,φ 表示吊绳 L 与面 y2

o2

z2 的夹角。

θ1x 和 θ1y 分别表示海上平台运动的横摇激励和纵

摇激励。 定义数据采集吊舱为吊重 P,其在坐标

系 xn

yn

zn 为nPP 。

z2

z1

z0

y0 x0

x1

O0

y1

θ1y θ1x

O2

l2

N

θ φ

L

Q

l3 l1

x2

P

y2

K

图 8 减摇系统简图

Fig. 8 Two-dimensional diagram of system

吊重 P 在吊点坐标系中{2}的坐标为:

Px

= x2

+ Lsinφ

Py

= y2

+ Lsinθcosφ

Pz

= z2

- Lcosθcosφ

ì

î

í

ï

ï

ïï

(10)

x2 、y2 和 z2 为 0 时,即:

2PP

= (Lsinφ,Lsinθcosφ, - Lcosθcosφ)

T

(11)

在海上平台坐标系 x1

y1

z1 中的位置为:

1P2

= Lx,Ly,Lz

[ ]

T

(12)

定义m

n R 是 从 xn

yn

zn 到 xm

ym

zm 的 旋 转 矩

阵[25]

,x0

y0

z0 到 x1

y1

z1 的旋转矩阵1

0R 为:

0

1R =

cosθ1x 0 sinθ1y

sinθ1x

sinθ1y

cosθ1x

sinθ1x

cosθ1y

sinθ1y

cosθ1x

sinθ1x

cosθ1x

cosθ1y

é

ë

ê

ê

ê

ê

ù

û

ú

ú

ú

ú

(13)

吊重相对惯性坐标系 x0

y0

z0 的变换矩阵为:

0PP

=

0

1R

1P2

+

1

2R

2PP (14)

式中:

1P2 表示吊点 O2 在海上平台坐标系 x1

y1

z1

中的坐标;

2PP 表示吊重 P 在 x2

y2

z2 中的坐标;

1

0R

为 x0

y0

z0 到 x1

y1

z1 的旋转矩阵;

2

1R 为 x1

y1

z1 到 x2

y2

z2 的旋转矩阵;将公式(11) (12) 及(13) 代入

(14) 中可求惯性坐标系 x0

y0

z0 中吊重 P 的表

达式:

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

î

í

ï

ï

ïï

(15)

式中:xp、yp 和 zp 为吊重 P 在惯性坐标系中的坐

标;θ 为面内角;φ 为面外角;L 为吊绳长度,m;Lx、

Ly 和 Lz 为吊点 O2 在海上平台坐标系中的坐标;

θ1x 和 θ1y 分别表示海上平台运动的横摇激励和纵

摇激励。

2. 2 动力学模型

数据采集吊舱减摇系统的动力分析图如图 9

所示,Q、K、N 为减摇装置出绳点,F1 、F2 和 F3 为

减摇索 l

1 、l

2 和 l

3 的张力,FR 为主吊索张力,GP

为吊重 P 的重力。

定义3 根减摇索张力在 x,y,z 轴方向的分量为:

Fix

= Fi

i

ix

Fiy

= Fi

i

iy

Fiz

= Fi

i

iz

ì

î

í

ï

ï

ïï

(16)

式中:Fix、Fiy 和 Fiz(i = 1、2、3)为 3 根减摇索在坐标

系下三轴上的分量,N;i

ix、i

iy 和 i

iz 为减摇索张力 F

在坐标轴上的方向向量;Fi 为减摇索张力,N。

z

N

θ φ

FR

GP

Q

F1

F2

F3

y x

P

K

图 9 减摇装置受力分析图

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

54

第 6 期 李文松等: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

主吊索张力 FR 在 x、 y 和 z 方向的分量分

别为:

FRx

= FR

sinφ

FRy

= FR

sinθcosφ

FRz

= FR

cosθcosφ

ì

î

í

ï

ï

ïï

(17)

根据牛顿第二定律 F = ma ,可得吊重在坐标

轴 x、y、z 方向上的运动方程:

mx

··

p

= F1x

- F2x

- F3x

- FRx

my

··

p

= - F1y

- F2y

- F3y

- FRx

mz

··

p

= F1z

+ F2z

+ F3z

+ FRx

- mg

ì

î

í

ï

ï

ï

ï

(18)

设三根减摇索在 x 轴方向合力为:f

x

= F1x

-

F2x

-F3x;在 y 轴方向合力为:f

y

= -F1y

-F2y

-F3y;在

z 轴方向合力为:f

z

=F1z

+F2z

+F3z。

将 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

î

í

ï

ï

ï

ï

(19)

消去式(19)中 FR 简化可得:

(f

x

- mx

··

p)sinθcosφ = (f

y

- my

··

p)sinφ

(mz

··

p

- f

z

+ mg)sinφ = (f

x

- mx

··

p)cosθcosφ { (20)

对式( 10) 求 二 阶 导 数, 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

î

í

ï

ï

ï

ï

(21)

将式(21)代入式(20)并简化,可得动力学模

型的数学微分方程 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

·· 为吊重面内角加速度;φ

·· 为吊重面外角加

速度;θ

·

为吊重面内角速度;φ

·

为吊重面外角速度;

θ

·

为面内角; φ 为面外角;m 为吊重质量,kg;L 为

吊绳长度,m; x

··

2 、 y

··

2 、 z

··

2 为吊点O2 在坐标系下三

轴方向的加速度;g 为重力加速度,m / s

2

;f

x、f

y 和

f

z 为三根减摇索在坐标系下三轴的合力,N。

2. 3 减摇索控制逻辑

若想让 3 根减摇索起到防摇效果,吊舱在摆

动过程中合力的方向需始终与运动方向相反。 在

布放回收过程中需确保每根减摇索工作时都能够

起到阻碍吊舱摆动的作用。 根据吊舱摆动的方

向,减小收绳一侧的牵引索张力,保持放绳一侧的

牵引索张力,从而使得总的合力起到阻碍吊舱摆

动的目的。

以吊重面内角的摆动抑制为例,面内方向的

张力设定为:

F3

= F3 , F2

= kGm

θ

·

(θ

·

≥ 0)

F2

= F2 , F3

= kGm

θ

·

(θ

·

< 0) { (24)

式中:k 为张紧系数;θ

˙

为面内角速度;Gm 为重力,

N;F2 、F3 为减摇索 l

2 和 l

3 的张力,N。

三根减摇索的张力设置如下:

F1s

- δ1 ≤ F1 ≤ F1s

+ δ1

F2s

- δ2 ≤ F2 ≤ F2s

+ δ2

F3s

- δ3 ≤ F3 ≤ F3s

+ δ3

ì

î

í

ï

ï

ïï

(25)

式中:Fis 为满足静态平衡条件预定张力,N;δi(i =

1、2、3) 为控制索张力阈值,N;F1 ,F2 和 F3 为减

摇索 l

1 、l

2 和 l

3 的张力,N。

3 系统仿真分析

当吊舱在水中拉起至海上平台这个过程中由

于受到海浪的作用与海上平台发生碰撞,可能对

数据采集吊舱造成危害。 为了验证海上平台存在

激励时数据采集吊舱布放回收装置的减摇效果,

设置系统参数:吊舱总质量 m = 50 kg,减摇臂长度

LO2K

= LO2N

= LO2Q

= 1 m,主吊索长度为 1 m。 工况 1

为海上平台的激励为 3 级海况,横摇周期 7. 1 s、

幅值 3°,纵摇周期 6 s、幅值 1°。 工况 2 为海上平

台的激励为 4 级海况,横摇周期 7. 1 s、幅值 7°,纵

摇周期 6 s、幅值 2°。 在给定的海上平台激励下,

利用 Matlab / simulink 软件对数据采集吊舱在布放

回收过程减摇的仿真,得出面内角和面外角的摆动

幅度,比较数据采集吊舱在有无防摆装置下的面内

角、面外角摆动幅度,其结果如图 10、图 11 所示。

55

渔 业 现 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



图 10 3 级海况仿真

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

图 11 4 级海况仿真

Fig. 11 Simulation of sea state 4

图 10 可以看出,3 级海况,主吊索为 1 m,横

摇幅值 3°、纵摇幅值 1°时。 有无减摇装置吊重的

面内角与面外角摆动幅度趋势基本一致。 在不加

防摇装置的情况下,数据采集吊舱的面内角最大

摆幅和面外角最大摆幅分别为 4. 3°和 1. 48°。 由

于加装了数据采集吊舱减摇装置,在数据采集吊

舱减摇装置的作用下,使吊舱的面内角最大摆幅

减少至 1. 36°,减摇幅度达到 68%。 面外角最大

摆幅减少至 0. 44°,减摇幅度为达 70%。 数据采

集吊舱减摇系统对吊重面外角的减摇效果要优于

面内角。

图 11 可以看出,4 级海况,主吊索为 1 m,横

摇幅值 7°、纵摇幅值 2°时,在不加防摇装置的情

况下,数据采集吊舱的面内角最大摆幅和面外角

最大摆幅分别为 9. 36°和 2. 96°。 由于加装了数

据采集舱减摇装置,在数据采集吊舱减摇装置的

作用下,使吊舱的面内角最大摆幅减少至 3. 2°,

减摇幅度达到 65. 8%。 面外角最大摆幅减少至

0. 95°,减摇幅度为达 68%。 与工况 1 相同,数据

采集吊舱减摇系统对吊重面外角的减摇效果要优

于面内角。

根据图 10、图 11 中的数据采集吊舱有无减

摇装置下面内角和面外角的最大摆动幅度,可得

表 1。 结果表明,随着海况等级的增加,海上平台

运动激励的增大,数据采集吊舱减摇装置的减摇

效果明显减弱。 在不同海况下,吊舱的面内角摆

幅可减小 66. 9%左右,面外角摆幅可减小 69%左

右,数据采集吊舱减摇系统在海上平台运动激励

下的平均减摇比为 67. 95%,有效减少了吊舱的

摆动幅度,验证了该减摇装置的有效性。

表 1 仿真对比结果

Tab. 1 Results of contrast simulation

海况

摆角

类型

有减摇/

(°)

无减摇/

(°)

减摇比/

%

平均减

摇比/ %

3 级

θ 1. 36 4. 30 68. 0

φ 0. 44 1. 48 70. 0

4 级

θ 3. 20 9. 36 65. 8

φ 0. 95 2. 96 68. 0

67. 95

4 试验验证

为了验证 3 根减摇绳索数据采集吊舱减摇装

56

第 6 期 李文松等: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

置在海上平台运动激励下的有效性,利用实验室

已有的安装有海上平台运动模拟装置防摆试验平

台对减摇系统的减摇效果进行试验验证,试验平

台如图 12 所示。 由于海上平台受到横摇激励时,

面内角摆动幅度影响最为显著,设置主吊索长度

为 1 m。 摇摆台模拟 3、4 级海况,横摇幅值分别

为 3°和 7°时,有减摇措施和无减摇措施下吊舱面

内角的摆动幅度。 试验结果与仿真结果对比如图

13 所示。

图 12 减摇系统试验平台

Fig. 12 The physical experiment platform

图 13 可以看出, 试验结果与仿真结果趋势

基本相同,均呈周期和幅值确定的正弦运动,仿真

结果略大于试验结果,证明了仿真模型的准确性。

3 级海况横摇激励下的吊舱面内角摆动幅度,无

减摇装置时,在-3. 7° ~ 3. 7°左右趋同,最大面内

摆幅为 3. 75°。 在减摇装置的作用下,吊舱面内

角摆动幅度在-0. 9° ~ 0. 9°左右趋同,最大摆幅为

0. 94°,减摇幅度为 75%,略大于仿真结果 68%。

4 级海况激励下,无减摇装置时,吊舱面内角摆动

幅度在-7. 5° ~ 7. 5°左右趋同,最大面内摆幅为

7. 5°。 在减摇装置的作用下,吊舱面内角摆动幅

度在-2° ~2°左右趋同,最大摆幅为 2. 1°,减摇幅

度为 72%,略大于仿真结果 65. 8%。 减摇系统在

平台运动激励下的有减摇措施和无减摇措施下吊

舱摆动幅度减摇比为 73. 5%,验证了该减摇系统

的减摇效果。

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°

图 13 试验验证

Fig. 13 Experimental verification

57

渔 业 现 代 化 2024 年

5 讨论

5. 1 布放回收装置

Wu 等[26]研究表明采用导向罩结构的喇叭口

式布放回收操作简单,在完成 AUV 回收时进行保

护,但要求 AUV 具有很高的操纵性,且容易受海

洋环境影响。 本研究表明,在安装减摇装置提高

吊舱操纵性同时,吊舱在水中拉起至海上平台处

安装导向罩,可进一步提高布放回收的稳定性。

王虎[27] 研究表明,以无人船为载体通过绞车、伸

缩结构、水下夹具实现 AUV 的布放回收系统,对

AUV 的姿态要求低。 高东勇等[28] 研究表明,托

盘滑道式布放回收装置,可减小回收过程中因

USV 晃动对 AUV 内部精密零部件产生影响。

Stevens 等[29]研究表明,基站配备了缆绳绞车的

笼式深海常驻机器人系统 Liberty E-ROV,适用于

带缆的方形机器人。 本研究表明,对比喇叭口式、

水下夹式、托盘滑道式、笼式布放回收方式,利用

3 根减摇绳索在吊舱布放回收过程对其进行减摇

控制的多柔索布放回收方式更适合海上平台与水

下结构物重心竖直方向在同一直线上的垂直布放

回收,且对水下结构物外形要求低,适用性高、结

构简单,布放回收过程保持近似垂直的状态。 由

此说明,利用 3 根减摇索的数据采集吊舱布放回

收减摇装置具有高效、稳定的布放回收功能,使海

洋牧场监测平台数据采集系统高效、稳定运行。

5. 2 减摇效果

韩广冬等[30]研究表明,在起重机系统的动力

学研究中,利用恒张力吊盘可将吊绳的摆幅减小,

从而减 小 吊 重 的 摇 摆, 吊 重 的 面 内 角 可 减 少

54%,面外角可减少 59%。 Wang 等[31] 研究表明,

采用恒张力控制方法的船用牵引索式减摇装置,

可将吊重摇摆幅值减小 70%以上。 本研究表明,

海上平台数据采集吊舱减摇装置具有明显的减摇

效果,与上述研究结果一致。 邓晨旭等[32]研究表

明,船用起重机阻尼连续可调且响应速度快的机

械防摆装置对吊重的摆动有良好的抑制效果,在

设定海况下,吊重在面内摆动幅度与面外摆动幅

度可大幅度减小。 孙海龙等[33] 研究表明,AUV

水面布放回收装置以船舶起重机为基础利用绳索

减摇使回收过程更加稳定,在定绳长的情况下面

内角的减摇效果在 62%,面外角的减摇效果在

60%。 本研究表明,针对生产使用的海洋环境监

测平台数据采集吊舱布放回收过程中因外部激励

作用下吊舱会产生大幅度摆动,出现的电缆断裂

及传感器损坏问题,利用三根减摇索的海洋环境

监测平台数据采集吊舱减摇装置,吊舱的面内角

可减小 66. 9%左右,面外角可减小 69%左右,平

均减摇比为 67. 95%,与上述研究结果一致,可有

效减少数据采集吊舱与海上平台的碰撞概率,从

而达到保护数据采集吊舱及其上搭载的各类环境

监测传感器的目的。 由此说明,海洋环境监测平

台数据采集吊舱减摇装置结构简单,具有稳定的

减摇效果。

6 结论

设计了一种利用 3 根减摇索进行减摇控制的

海洋环境监测平台数据采集吊舱减摇装置,通过

对减摇装置仿真分析,得出减摇装置可减小吊舱

的面 内 摆 幅 大 约 为 66. 9%, 面 外 摆 幅 大 约 为

69%,平均减摇比为 67. 95%。 试验结果显示,不

同海况下摆动幅度可减小约 73. 5%。 研究表明,

海上平台数据采集吊舱减摇装置对吊舱的摆幅具

有明显的抑制作用,且结构简单、设计合理、布放

回收过程更加稳定,解决了传统单缆布放回收数

据采集吊舱摆动幅度过大造成的设备损坏和缆绳

断裂问题。 本研究对提高海洋牧场环境监测平台

数据采集系统的可靠性与安全性有一定的实践指

导意义。

□

参考文献

[1] 李俊,李怀进,汪振华,等. 海洋牧场组合式无人监测船设计

与试验[J]. 上海海洋大学学报,2023,32(5):1048-1058.

[2] 张正阳,李密生,宋勇建,等. LoRa 无线传感技术在扇贝养

殖区环境检测中的应用分析[ J]. 现代化农业,2019 ( 2):

70-72.

[3] 孟祥涛. 近海养殖区域水文气象数据采集系统的设计与实现

[D]. 大连:大连海洋大学,2019.

[4] 翟方国,李培良,顾艳镇,等. 海底有缆在线观测系统研究与

应用综述[J]. 海洋科学,2020,44(8):14-28.

[5] 朱仁传,缪国平. 船舶在波浪上的运动理论[M]. 上海:上海

交通大学出版社, 2019:13-15.

[6] 王建立,刘可心,王生海,等. 船用起重机双摆吊重减摆动力

学分析与实验 [ J]. 华中科技大学学报 ( 自然科学版),

58

第 6 期 李文松等: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

2024, 52(1): 72-77.

[7] 倪正峰,汤佳豫,冀大雄,等. 带缆水下常驻机器人水动力特

性分析[J]. 自动化应用, 2021(11):154-158,163.

[8] 宋涛,郑荣,梁洪光,等. 水下拖曳体自主布放回收装置设计

与研究[J]. 舰船科学技术,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] 张洋,朱克强,秦道武,等. 海洋潜标系统布放动力学分析

[J]. 船舶工程,2014,36(2):111-114.

[13]杨祥云,吕海宁,杨建民,等. 深海采矿车布放回收中脐带缆

轴向张 力 响 应 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,吴俊杰,陈海泉,等. 船用起重机机械防摆装置动力

学分析与实验[ J]. 哈尔滨工程大学学报, 2019,40( 11):

1858-1864.

[17]孙茂凱,王生海,韩广冬,等. 船用起重机多柔索减摇系统动

力学分析与工程应用[ J]. 中国机械工程. 2024, 35 ( 7):

1308-1317.

[18]陈海泉,靳国良,吉阳,等. 船用起重机牵引索式减摇装置恒

张力控制仿真和试验研究[ J]. 中国造船, 2021, 62 ( 2):

211-223.

[19]刘彦伟. 分层泵抽式海洋养殖环境智能监测系统研发[D].

舟山:浙江海洋大学,2022.

[20]滕媛媛,苏焕婷,朱勤健. 基于 Workbench-AQWA 的铺管船

托管架结构时程分析[ J]. 船舶工程, 2023,45 ( 增刊 1):

445-450.

[21]纪仁玮,张亮,王树齐,等. 振荡浮子式双浮体波浪能装置的

频域和时域分析[J]. 上海船舶运输科学研究所学报,2019,

42(3): 19-27.

[22]范可. 中浅水漂浮式海上风电机组平台的运动性能[ J]. 船

舶工程,2021,43(增刊 1):71-76.

[23]陈羿宗,孙茂凱,王生海,等.一种水下机器人自主布放回收

装置水动力分析[J]. 舰船科学技术,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. 基于无人船的 AUV 布放回收系统设计和试验研究

[D]. 大连:大连海事大学,2021.

[28]高东勇,郭忠峰,谷海涛,等. USV 拖曳回收 AUV 动态过程仿

真研究[J]. 舰船科学技术,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]韩广冬,张桐,陈海泉,等. 船用起重机减摇装置建模与试验

[J]. 科学技术与工程,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]邓晨旭,孙海龙,赵明慧,等. 船用起重机磁流变防摆装置动

力学分析和实验验证[ J]. 科学技术与工程,2024,24(17):

7395-7405.

[33]孙海龙,邓晨旭,唐峥,等. 水下机器人回收装置的动力学分

析与 实 验 验 证 [ J ]. 科 学 技 术 与 工 程, 2024, 24 ( 14 ):

6072-6081.

59

渔 业 现 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 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. 007 开放科学(资源服务)标识码(OSID):

程果锋,郭泽裕,王婕,等. 罗非鱼养殖尾水污染物沉降特征研究[J]. 渔业现代化,2024,51(6):61-68.

收稿日期:2024-09-17

基金项目:国家现代农业产业技术体系资助(CARS-46);海南省重点研发计划“罗非鱼池塘养殖尾水生态工程化处理技术研究与示范

(ZDYF2021XDNY276)”

作者简介:程果锋(1981—),男,硕士,副研究员,研究方向:池塘水域生态修复。 E-mail:chengguofeng@ fmiri. ac. cn

通信作者:刘兴国(1965—),男,博士,研究员,研究方向:水域生态修复。 E-mail:liuxingguo@ fmiri. ac. cn

罗非鱼养殖尾水污染物沉降特征研究

程果锋1

,郭泽裕2

,王婕1

,刘士坤1

,陈哲2

,程翔宇2

,刘兴国1

(1 中国水产科学研究院渔业机械仪器研究所,上海 200092;

2 上海海洋大学水产与生命学院,上海 201306 )

摘要:罗非鱼(Oreochromis mossambicus)养殖排放尾水特征及沉降特点是影响尾水处理沉淀池设计的关键因

素,也是实现尾水高效处理的前提和基础。 本研究以海南罗非鱼养殖尾水为研究对象,通过对养殖排放尾水

和周边环境进行污染监测及静沉降试验,测定水体总氮(TN)、总磷(TP)、化学需氧量(CODMn )、悬浮颗粒物

(TSS)浓度,分析总结罗非鱼养殖尾水中污染情况及尾水处理合理沉降时间。 结果显示:罗非鱼养殖尾水中

TN、TP、CODMn 和 TSS 的质量浓度范围分别为 2. 00~ 15. 60、0. 59 ~ 2. 74、17. 20 ~ 20. 40 和 2. 50 ~ 144. 00 mg /

L;养殖池周边水体 TN、TP、CODMn 和 TSS 的质量浓度范围分别为 2. 20 ~ 5. 80、0. 44 ~ 3. 21、4. 05 ~ 18. 95 和

55. 00~ 152. 00 mg / L;养殖尾水中颗粒态氮(TPN)、磷(TPP)平均占比分别为 20. 80% ~ 62. 80%、50. 80% ~

74. 90%。 尾水经静沉降处理 24 h 后,上层水体中 TSS 的下降率达到 83. 08%,静沉降处理 48 h 后 TSS 质量浓

度下降 84. 62%,沉降效果趋于稳定。 综合考虑,尾水静沉降时间建议选 24 h 可有效去除水体中悬浮污染物。

关键词:罗非鱼;尾水治理;静沉降;悬浮污染物

中图分类号:S959 文献标志码:A 文章编号:1007-9580(2024)06-0061-008

罗非鱼(Oreochromis mossambicus) 经过多年

快速发展,成为中国水产养殖的主要经济品种和

出口创汇水产品之一,产量和加工出口量均为全

球第一[1-4]

。 目前,中国罗非鱼养殖普遍采用高

放养密度、高投饲量的精养模式,排放尾水中含有

较高氮磷、有机质,悬浮颗粒物等[5-8]

,尾水外排

会导致周边水体富营养化[9-10]

。 随着养殖规模的

扩大,养殖区域的生态环境遭到破坏[11]

。 水质恶

化、尾水污染、品质下降等问题日益凸显[12-13]

,严

重制约产业健康可持续发展。 随着水产养殖产业

绿色发展要求,养殖尾水需处理达标后方可排

放[14]

。 因此需要对养殖排放尾水规律进行了解,

以便后续针对性展开净化处理。

悬浮物是水体中氮、磷等污染物的重要载体,

悬浮物的去除是水处理过程中的重点环节。一

般养殖尾水处理设施配备的悬浮物去除工艺多

为沉降,目前,常见的养殖尾水处理工艺有“ 三

池两坝” 、复合人工湿地等,占地面积一般达到

养殖面积的 10% ~ 15%。 系统前端设计有沉淀

池、生态沟渠或沉淀塘等,作为悬浮物中的第一

级处理—沉淀池,面积约占水处理系统总面积

的 40%,占比最高[14-18]

。 随着用地成本的增加,

传统池塘养殖对尾水处理设施集成化和高效化

的需求日趋强烈,整合创新尾水处理工艺,并将

其推广应用是当前养殖尾水处理领域的研究

热点。

目前罗非鱼养殖尾水处理工艺中,罗非鱼养

殖尾水沉降特征是沉淀池设计的关键因素,尤其

是水力停留参数设计是影响沉淀池占地面积的关

键因素[19-21]

。 掌握传统养殖池塘排水过程中尾

水沉降特性是进行养殖尾水高效水处理工艺设计

的前提和基础,目前尚未见罗非鱼养殖尾水沉降

渔 业 现 代 化 2024 年

特征的研究报道。

本研究以中国罗非鱼主产区海南省文昌、海

口、临高等地罗非鱼养殖场养殖尾水为研究对象,

通过对养殖尾水清塘排水过程进行跟踪监测,并对

排放尾水进行收集静沉降处理,研究罗非鱼养殖尾

水静沉降前后水体氮、磷、悬浮物变化规律及有效

沉降时间,为后续罗非鱼养殖尾水处理中提高污染

物去除率,合理设计占地面积,开展罗非鱼养殖尾

水治理工艺创新和推广提供关键数据支撑。

1 材料与方法

1. 1 试验养殖场

选取海南省 5 个养殖场(A 文昌市铺前镇、B

文昌市锦山镇、C 文昌市锦山镇罗豆农场、D 海口

市三江镇、E 临高县马袅宝路养殖场)共 15 口罗

非鱼养殖池塘尾水及前 4 个养殖场周边水体进行

排放检测。 采集临高县马袅宝路养殖场在清塘排

水时 50 L 尾水样品用于室内静沉降试验,进行养

殖尾水中悬浮物自然沉降特性研究。

表 1 养殖场基本信息

Tab. 1 Basic information about the farm

养殖场

编号

养殖场

位置

养殖池塘

序号

池塘面积

(亩)

养殖密度

(尾/ 亩)

T1

文昌市铺前镇

A1 25 3 000

A2 28 3 000

A3 20 3 000

周边沟渠 A4 - -

T2

文昌市锦山镇

B1 36 4 000

B2 11 4 000

B3 10 4 000

周边河流 B4 - -

T3

文昌市锦山镇

罗豆农场

C1 22 2 800

C2 20 2 800

C3 34 2 800

周边沟渠 C4 - -

T4

海口市三江镇

D1 14. 6 234

D2 14. 3 290

D3 15 381

周边沟渠 D4 - —

T5

临高县马袅宝

路养殖场

E1 30 3 121

E2 21 2 768

E3 26 2 911

注:1 亩= 666. 7 m

2

1. 2 静沉降试验装置及取样

沉降装置为 50 L 沉降筒,高约为 2 m,直径

约 20 cm ,在罗非鱼养殖池塘清塘排水时采集尾

水样品,将水样混合均匀,从顶端注入沉降柱中,

静止放置同时开始计时,设置平行试验两组。 采

样时间设置为 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)层取样 200 mL。

图 1 沉降筒示意图

Fig. 1 Schematic diagram of a sinker

1. 3 测定内容及分析方法

水体理化指标具体测定方法如表 2 所示。

表 2 水体理化指标测定方法

Tab. 2 Measurement method of physcical and

chemical factors in water

理化指标 测定方法

总氮(TN)

HJ 636—2012 碱性过硫酸钾氧化

紫外分光光度法

总磷(TP)

GB 11893—1989 钼锑抗分光光度

法

活性磷(SRP)

GB 11893—1989 钼锑抗分光光度

法

化学需氧量(CODMn )

HJ/ T 132—2003 碘化钾碱性高锰

酸钾法

TSS 的质量浓度,根据下式测定:

ρ = (A2

-A1 ) / V (1)

式中:ρ 为 TSS 的质量浓度,mg / L;A1 为在 100 ℃

~105 ℃ 将 Whatman GF / F 玻璃纤维滤膜( 0. 7

μm)烘干(2 h 以上) 的质量,mg;A2 为用该滤膜

抽滤体积为 V(L)后,在 100 ℃ ~ 105 ℃ 烘干 4

h,冷却后的质量,mg。

62

第 6 期 程果锋等:罗非鱼养殖尾水污染物沉降特征研究

2 结果与分析

2. 1 养殖尾水中氮磷的组成

氮磷含量是目前水产养殖污染物排放总量控

制的重要指标,被认为是引起水体富营养化的主

要因素[8]

。 养殖尾水中氮磷主要由溶解态氮和

颗粒态氮磷组成。 不同罗非鱼池塘尾水中氮含量

及其组成占比有所不同,如图 3a 所示。 5 个地区

罗非鱼池塘尾水中 TN 质量浓度范围在 2. 00 ~

15. 60 mg / L,其中溶解态氮(TDN)质量浓度范围

在 1. 70~10. 60 mg / L,颗粒态氮(TPN)平均占比

分别是 20. 80%、 42. 10%、 62. 80%、 24. 10% 和

29. 30%。 A、B、D 和 E 地区罗非鱼养殖池塘尾水

中氮以 TDN 为主,C 地区以 TPN 为主。 A ~ D 周

边沟渠水体 TN 含量在 2. 20 ~ 5. 80 mg / L,其中 D

地区 TN 含量达到 5. 80 mg / L。 不同罗非鱼养殖

池塘尾水中磷含量及其组成有所不同,如图 3b 所

示。 5 个地区罗非鱼池塘尾水中 TP 质量浓度范

围在 0. 59 ~ 2. 74 mg / L, TDP 质量浓度范围在

0. 30~1. 49 mg / L。 颗粒态磷( TPP) 平均占比分

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

53. 80%。 A、C 和 D 地区罗非鱼池塘尾水中磷以

TPP 为主,B、E 地区 TPP 和 TDP 均匀分布。 五个

地区罗非鱼池塘养殖尾水中 SRP 质量浓度范围

在 0. 05~1. 43 mg / L。 A~ D 周边沟渠水体 TP 含

量在 0. 44~3. 21 mg / L,其中 B 地区 TP 含量达到

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

 

图 2 不同采样池中总氮总磷质量浓度

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

2. 2 养殖尾水中有机物、悬浮颗粒物的组成

有机物是养殖尾水中主要的污染物质之一,

CODMn 表征水体中易被氧化的有机物量。 如图

4a 所示,15 个罗非鱼池塘中 CODMn 的质量浓度

范围在 17. 20 ~ 20. 40 mg / L,溶解态的 CODMn 在

10. 40~20. 40 mg / L,A、C、D 地区的罗非鱼养殖尾

水中易被氧化的有机物几乎全部为溶解态有机

物,B、E 地区的罗非鱼养殖尾水中易被氧化的有

机物大部分为溶解态有机物,小部分为颗粒态有

机物。 A~ D 周边沟渠水体 CODMn 含量在 4. 05 ~

18. 95 mg / L,其中 B 地区 CODMn 含量达到 18. 95

mg / L。 水体中悬浮颗粒物(TSS)的含量是评价水

质好坏的重要指标[22-23]

。 不同罗非鱼养殖池塘

尾水中 TSS 含量有所不同,如图 4b 所示。 5 个地

区罗非鱼池塘尾水中 TSS 质量浓度范围在 2. 50~

144. 00 mg / L,其中,A、B、C 和 E 地区罗非鱼池塘

尾水中 TSS 浓度较高,D 地区相对较低,可能由于

D 地区为罗非鱼苗种养殖场,所产生的饲料残饵

和鱼体粪便含量较低,导致 TSS 浓度相对较低。

A~D 周边沟渠水体 TSS 含量在 55. 00 ~ 152. 00

mg / L,其中 A 地区 TSS 含量达到 152. 00 mg / L。

2. 3 养殖尾水静沉降后氮磷变化

罗非鱼养殖塘养殖尾水静沉降过程中 TN、

TP 随时间变化情况如图 5 所示。 初始尾水中 TN

质量浓度为 2. 70 mg / L、TP 质量浓度为 1. 06 mg /

L。 静沉降 24 h 后,沉降柱中 A 层、B 层 TN 质量

63

渔 业 现 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

图 3 不同采样池中 CODMn 、TSS 质量浓度

Fig. 3 CODMn

and SS concentrations in different sampling tanks

浓度略微上升,C 层 TN 质量浓度不变;静沉降 24

h 后,A 层、B 层、C 层 TP 质量浓度的下降率均超

过 15%,其中 C 层水体效果最明显。 静沉降 48 h

后,沉降柱中 A 层、B 层水体中 TN 质量浓度随着

静沉降时间增加先降低后略微升高,下层水体 TN

质量浓度先升高后降低。 静沉降 48 h 后,A 层 TP

质量浓度下降 24. 53%,B 层下降 18. 76%,C 层下

降 16. 45%,其中 A 层的下降显著(P<0. 05);静

沉降过程 A 层水体中 TP 浓度先略微升高后再下

降,B 层、C 层水体中 TP 浓度随着静沉降时间增

加逐渐降低,静沉降 48 h 后,上层水体中 TP 的下

降率为 24. 53%。 静沉降 48 h 后,总体 TN 和 TP

质量浓度下降效果与静沉降 24 h 变化效果差异

不显著,甚至中层水体的 TN 质量浓度出现升高

趋势,综合来看养殖尾水静沉降 24 h ,TN、TP 质

量浓度下降效果最佳。

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)

图 4 静沉降后不同深度总氮总磷质量浓度随时间变化情况

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

2. 4 养殖尾水静沉降后有机物、悬浮颗粒物变化

罗非 鱼 养 殖 塘 养 殖 尾 水 静 沉 降 过 程 中

CODMn 、TSS 随时间变化情况如图 6 所示。 水体初

始 CODMn 质量浓度为 4. 57 mg / L。 养殖尾水经静

沉降 24 h 和 48 h 后,沉降柱中不同水层水体中

CODMn 浓度无明显变化,表明对此水体静置处理

并不能有效去除水体中的有机物质。 静沉降试验

水体中 TSS 的初始质量浓度为 65. 00 mg / L。 静

沉降过程中,不同水层中 TSS 浓度不断下降;经静

沉降 24 h 后,不同水层中 TSS 浓度均明显下降,

64

第 6 期 程果锋等:罗非鱼养殖尾水污染物沉降特征研究

此时,上层水体中 TSS 的下降率达到 83. 08%;静

沉降 48 h 后, 上层水体中 TSS 的下降率达到

84. 62%。 综合考虑,尾水静沉降时间可选 24 h,

即可有效降低水体中 TSS 浓度。

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)

图 5 静沉降后不同深度 CODMn 、TSS 质量浓度随时间变化情况

Fig. 5 CODMn

and SS concentrations with time at different depths after static settling

3 讨论

3. 1 罗非鱼养殖尾水水质情况

在淡水养殖过程中水体中污染物主要来自投

入的残余饲料、养殖动物自身排泄物、残留鱼药

等[24]

。 根据相关文献[25]

,罗非鱼养殖尾水排放

量虽总体较少,但通常集中在养殖周期末期排放,

并呈现瞬时集中排放的特征。 水产养殖对养殖水

体的主要影响是养殖期间各水体理化指标浓度不

断增加,导致水质恶化。 因此排放尾水中含有较

高的悬浮物、氮、磷和有机物等。 淡水池塘养殖尾

水排放标准( SC / T 9101—2007) 二级排放标准

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

mg / L、CODMn≤ 25 mg / L,对海南罗非鱼池塘养殖

尾水进行水质监测可知,尾水中氮磷含量和 TSS

质量浓度较高,且大部分高于排放标准,需经处理

后排放; CODMn 质量浓度较低, 符合二级排放

标准。

对 TN、TP 组成进行分析发现,水体中存在大

部分颗粒态氮磷,这与刘辉等[26] 研究发现罗非鱼

对围隔水体总磷和总氮影响非常显著,且试验结

束时罗非鱼组颗粒磷和颗粒氮浓度显著高于对照

组结果相似。 这可能是因为养殖过程中饲料残饵

和鱼类排泄物在水体中降解后会释放氨氮,随后

在硝化细菌的作用下转化为硝态氮。 同时,饲料

中的磷以颗粒态或溶解态形式存在,长期停留在

水体中会释放溶解态磷,进而导致氮磷浓度增加,

同时投喂饲料过多造成水体中 TSS 较多,而 TSS

中含有大量以颗粒态形式存在的氮磷,长期停留

水体中会造成氮磷释放,导致水体氮磷浓度增加。

本试验尾水中 TSS 含量较高,高攀等[27]发现在草

鱼标准养殖池塘 TSS 质量浓度为 65 mg / L,大于

鲢鳙亲鱼池塘 TSS 质量浓度 37. 53±22. 02 mg / L,

与对虾围隔生态系[28]

TSS 质量浓度变化在 20. 83

~172. 50 mg / L 较为接近,这可能与放养品种、浮

游生物繁殖、养殖动物摄食运动及水体其他理化

因子有关。 关于 TSS 的具体组成,由于缺乏浮游

生物干质量的准确定量方法,多数的研究表明,有

机碎屑是 TSS 的重要组成部分[29-30]

。

对罗非鱼周边沟渠采样发现,少部分沟渠水

中 TN 含量超标,几乎所有沟渠水中 TSS 含量均

高于淡水池塘养殖水二级排放标准,这表明在罗

非鱼养殖过程中,周边沟渠受其养殖尾水污染严

重,长此以往,周边水环境必然更加恶化,进而对

周边居民生活产生危害,也不利于该地区罗非鱼

养殖业可持续发展。 为了防止罗非鱼养殖尾水对

周边环境的污染扩散,可以采用人工湿地或生态

修复技术,如通过植被过滤和沉淀系统来有效降

低水体中的悬浮颗粒物和氮磷含量,从而减轻对

周边水体的污染。

3. 2 尾水静沉降后水质净化效果

对养殖尾水进行静沉降处理后,尾水中 TP

65

渔 业 现 代 化 2024 年

浓度和 TSS 浓度随静沉降时间增加而减少,结果

显示 TP 质量浓度的下降率最高为 24. 53%,TSS

质量浓度的下降率达到 84. 62%,效果显著。 袁

新程等[31]发现池塘养殖废水沉降时取样位置的

深度越浅,总悬浮物含量变化越快,沉降率越大。

本研究结果并不符合这一规律,这可能是因

为本研究采取的沉降时间较长,且水体中 TSS 质

量浓度较高,可能导致沉降速率与袁新程等[31] 的

研究有所不同。 因此,在实际应用中,需根据尾水

的具体水质条件调整沉降时间。 本研究发现,

TSS 在静沉降 24 h 后,质量浓度趋于稳定。 桂福

坤等[32]研究表明沉降初期,以大颗粒悬浮物沉降

为主,沉降速率大;沉降中后期,以小颗粒悬浮物

絮凝沉降为主,沉降速率小。一般在沉降中会出

现两种情况,一种是大粒径 TSS 会采用单颗粒的

形式沉积下层,此种沉降方式速度较快;一种是小

粒径 TSS,沉降速度慢,并且在沉降过程中会与其

他有机质结合形成絮凝体以絮凝的方式沉降[33]

。

本研究静沉降前期,TSS 浓度下降较快,可能

在前期沉降多以大颗粒 TSS 单颗粒沉降为主,在

24 h 后,沉降速度降低,以小粒径絮凝体沉降为

主。 经沉降过后,TSS 质量浓度低于 50 mg / L,可

达到淡水池塘养殖水一级排放标准,这表明静沉

降在尾水各项污染指标中,对 TSS 去除效果最为

明显[34-35]

。 悬浮颗粒物的沉降速率受到水体温

度、流速以及颗粒物大小和密度的影响。

在本研究中,由于沉降水体的静态条件,较大

颗粒物通过重力作用迅速沉降,而较小颗粒物则

由于水体中浮游植物和有机质的絮凝作用而逐渐

沉降。 静沉降处理对尾水中 TN、CODMn 的净化效

果并不明显。 这可能与该尾水中这二者浓度本身

就处于较低水平有关,静沉降作为处理尾水的初

级手段,仅适用于较混浊水体的处理,对污染物的

去除效果有限,也可能该尾水中氮及有机物在水

体中形态大部分以溶解态为主,沉降借助重力仅

作用于颗粒态物质从而达到净化水体的作用。 袁

新程等[31]在对池塘养殖尾水沉降处理发现 TN 质

量浓度在沉降 90 min 后趋于稳定,TP 质量浓度

在 120 min 后趋于稳定。 该研究中上层水体中

TN、TP 质量浓度处于不规律变化可能是因为随

着时间增加,水体里悬浮的浮游植物通过光合作

用不断固定有机物,硝化细菌不断作用,导致水体

中氮磷含量发生变化。 试验结果表明,静沉降对

悬浮颗粒物有显著的去除效果,但对有机物的去

除效率较低。 因此,在实际应用中,沉降池应与其

他生物处理或化学处理工艺结合,以提高总污染

物的去除效率。

4 结论

研究发现,海南省罗非鱼养殖池养殖尾水中

TN、TP、TSS 质量浓度大部分超过淡水池塘养殖

水二级排放标准,需经处理后排放。 本研究通过

分析罗非鱼养殖尾水的水质情况,提出了采用静

沉降技术有效去除 TSS 的处理方案,并建议静沉

降时间为 24 h,即可有效去除水体中悬浮污染物。

尾水经静沉降处理 24 h 后, TP 质量浓度下降

24. 53%,上层水体中 TSS 的下降率达到 83. 08%,

静沉降处理 48 h 后 TSS 质量浓度下降 84. 62%,

沉降效果趋于稳定,这为罗非鱼养殖尾水的环境

友好处理提供了技术参考,尤其是在简易设施和

低成本操作下具有较大的应用潜力。 然而,由于

静沉降对溶解态污染物的去除效果有限,未来研

究应探索多种技术联用的综合处理方法,且进一

步探索沉降池与生物滤池、人工湿地等工艺的集

成效果,优化水力停留时间,并研究氮磷转化机

理,以提高整体处理效率。 □

参考文献

[1] 王慧芝,车斌,陈国平. 中国罗非鱼出口现状及应对措施

[J]. 山西农业科学, 2010, 38(8): 81-83.

[2] 赵海军,杨彬彬,郝跃,等. 我国罗非鱼出口现状及对策[ J].

食品安全质量检测学报, 2015, 6(12): 5100-5106.

[3] 王祖峰,张博远,黄太寿,等. 我国罗非鱼养殖的主要模式及

发展前景浅析[J]. 中国水产, 2022(5): 50-53.

[4] 郭忠宝,肖蕊,黄卉,等. 3 种养殖模式罗非鱼品质比较分析

与评价[J]. 南方农业学报,2021,52(1):206-212.

[5] 马之瑞,陈丽婷,严欣,等. 池塘循环水养殖模式对罗非鱼不

同部位肌肉品质的影响[ J]. 南方农业学报,2023,54( 9):

2790-2799.

[6] 高攀,李晓东,翟旭亮,等. 主养罗非鱼鱼菜共生池塘水质指

标的变化规律和氮磷收支[ J]. 渔业研究, 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] 黄瑛,穆希岩,李应仁. 中国水产养殖污染物排放总量控制框

66

第 6 期 程果锋等:罗非鱼养殖尾水污染物沉降特征研究

架构建[J]. 中国渔业质量与标准,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]王钰钦,郑尧,钱信宇,等. 中国水产养殖尾水污染现状及净

化技术研究进展[J]. 农学学报,2022,12(3): 65-70.

[11]陈思媛,陶玲,彭亮,等. 稻田-沟渠协同净化池塘养殖尾水效

果[J]. 淡水渔业, 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]刘建华,马明,黄鸿兵. 养殖池塘尾水“三池两坝” 净化改造

的实践与探索[J]. 水产养殖, 2023, 44(3): 60-63.

[15]黄丽,吴松,覃东立,等. 淡水养殖池塘水质评价及与底质相

关性分析[J]. 水产学杂志, 2024, 37(2): 90-97.

[16]郑仕夫,徐慧敏,陈曦,等. 水产养殖尾水处理技术的研究现

状和发展趋势[J]. 中国农学通报, 2024, 40(12): 159-164.

[17]徐鹏,张紫英,李文红,等. 绿狐尾藻和空心菜对模拟池塘养

殖尾水的净化效果分析[ J]. 南方农业学报,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. 罗非鱼(Oreochromis niloticus) 藻菌共处型生物絮团

养殖系统的构建及调控[D]. 上海:上海海洋大学, 2019.

[20]魏宾,方洁,顾雪林,等. 基于“三池两坝”组合流程的池塘养

殖尾水净化效能[J]. 水产养殖, 2021, 42(11): 27-34.

[21]王磊,张哲,王文君,等. “三池两坝”多级池塘对凡纳滨对虾

工厂化海水养殖尾水的处理效果研究[ J]. 海洋环境科学,

2023, 42(5): 720-728.

[22]张俊新,刘长发,何洁,等. 工厂化养殖循环水固液分离特性

及处理工艺选择分析[ J]. 农业环境科学学报, 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,秦振发,谭芸,等. 吉富罗非鱼四种养殖模式对水质

的影响[J]. 水产科技情报, 2019,46(1): 10-13.

[25]陈娟,楼乔奇,高小孟,等. 淡水养殖排污口全过程监测体系

分析[J]. 安徽农学通报,2024,30(10): 63-66.

[26]刘辉,谢贻发,张修峰,等. 罗非鱼对水质的影响[ J]. 生态科

学, 2008, 27(6): 494-498.

[27]高攀,蒋明,赵宇江,等. 主养草鱼池塘水质指标的变化规律

和氮磷收支[J]. 云南农业大学学报, 2009, 24(1): 71-77.

[28]刘国才,李德尚,卢静,等. 对虾养殖围隔生态系颗粒悬浮物

的研究[J]. 应用生态学报, 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]谢平. 武汉东湖颗粒悬浮物的结构与元素组成[ J]. 水生生

物学报, 1996 (3): 197-205.

[31]袁新程,施永海,刘永士. 池塘养殖废水自由沉降及其三态

氮、总氮和总磷含量变化[J]. 广东海洋大学学报, 2019, 39

(4): 56-62.

[32]桂福坤,方帅,曲晓玉,等. 舟山近海海域养殖水体悬浮物沉

降特 性 试 验 研 究 [ J ]. 农 业 工 程 学 报, 2020, 36 ( 10 ):

206-212.

[33]雷坤,杨作升,郭志刚. 东海陆架北部泥质区悬浮体的絮凝

沉积作用[J]. 海洋与湖沼, 2001(3): 288-295.

[34]严峻,章霞,李伟业,等. 对虾大棚养殖废水悬浮物静沉降效

果初步研究[J]. 浙江海洋学院学报(自然科学版), 2017,36

(2):186-189.

[35]向军,逄勇,李一平,等. 浅水湖泊水体中不同颗粒悬浮物静

沉降规律研究[J]. 水科学进展, 2008(1):111-115.

67

渔 业 现 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 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. 008 开放科学(资源服务)标识码(OSID):

马志艳,吴佳俊,周明刚,等.一种基于视觉的鱼苗体长快速非接触测量方法[J]. 渔业现代化,2024,51(6):69-79.

收稿日期:2024-07-24

基金项目:湖北省重点研发项目“小龙虾数字化分捡技术装备开发及应用(2022BBA016)”;湖北省自然科学基金项目“不确定环境下移

动机器人智能感知理论及自主行为关键技术研究(2023AFA037)”

作者简介:马志艳 (1976—),男,博士,副教授,研究方向:计算机视觉、智能控制与优化。 E-mail: 20071017@ hbut. edu. cn

一种基于视觉的鱼苗体长快速非接触测量方法

马志艳1,2

,吴佳俊1

,周明刚1,2

,张淑霞1

(1 湖北工业大学农机工程研究设计院,湖北 武汉 430068;

2 湖北省农机装备智能化工程技术研究中心,湖北 武汉 430068)

摘要:在水产养殖过程中,及时准确地获取鱼苗形体尺寸十分重要。 传统人工取样测量方式费时费力,无法

满足智慧水产发展的需求。 以体长分布在 20 ~ 100 mm 的草鱼 (Ctenopharyngodon idella) 鱼苗为对象,提出

了一种基于视觉的鱼体体长快速测量方法,可在无参照和非接触情况下对试验鱼苗进行快速准确体长测量。

首先利用 RGB-D 相机获取目标深度信息和灰度图像,通过图像处理完成目标鱼体与背景分割;进一步对可

能存在的粘连鱼群图像提取对应的凹区域和凹点,完成基于凹点的鱼苗个体分离;然后利用改进的细化算法

提取鱼体骨架,并筛选出骨架关键点;最后结合图像深度信息完成骨架点三维坐标的转换,实现鱼苗全长准

确测量。 结果显示,该方法对试验鱼苗全长测量的平均绝对误差为 1. 62 mm,平均相对误差为 4. 24%。 研究

结果可以为水产养殖业分级饲养、智能投喂等应用提供非接触测量技术支持。

关键词:鱼苗分级;视觉测量;粘连分割;细化算法;深度信息

中图分类号:S969;TP391 文献标志码:A 文章编号:1007-9580(2024)06-0069-011

在智慧水产养殖中,鱼体外形尺寸信息尤其

是鱼体长度不仅反映生长信息,还体现了相应的

群体特征,具有十分重要的意义。 鱼苗饲养一段

时间后,由于进食量差异会导致尺寸分布不均,有

可能会出现大鱼伤害小鱼的现象,造成经济损失。

在获取鱼苗尺寸信息后,可以对鱼苗进行分级精

准投喂,避免饲料过剩污染养殖环境同时节省养

殖成本[1-2]

。 目前鱼苗尺寸的获取主要依赖于人

工抽样测量,不仅效率低,还会对鱼苗造成伤害。

因此,开发一种快速、准确、非接触的鱼苗尺寸测

量方法十分重要。

随着技术的发展,计算机视觉在水产养殖的

体质量测量[3-4]

、数量统计[5-6]

、行为分析[7]

、鱼道

监测[8]

、新鲜度检测[9-10]等领域得到了广泛应用。

针对鱼苗尺寸无接触测量方法,国内学者开展了

一些研究。 郭卜瑜等[11] 通过搭建平行式双目立

体视觉测量系统,利用 Harris 角点提取算法获取

鱼苗图像的关键特征点,可计算出鱼苗尺寸,验证

了双目视觉应用于鱼类养殖业的可行性。 周

晖[12]通过多方向目标检测用最小外接矩形拟合

鱼体形状,得到了鱼体像素长度,再转化为实际体

长,平均相对误差为 9. 6%。 Chen 等[13] 利用基于

轮廓和凸包计算的处理算法,提取到鱼吻尖和尾

鳍的关键测量点,并将其像素坐标转化为三维坐

标,以两点间的距离得到体长测量值,平均相对误

差小于 2. 55%。 李振波等[14] 提出了基于迁移学

习 ResNet50 模型的鱼苗体长估测方法,利用同一

高度下拍摄的不同尺寸鱼苗图像数据,训练了 4

种迁移学习模型来估计鱼苗体长,测试集准确度

为 93. 93%。 黄康为等[15]

、李艳君等[16] 利用深度

学习完成鱼体检测与初始分割,将得到的轮廓点

云投影到拟合平面,通过获取变换后的坐标点来

计算鱼体长度,测量的平均相对误差为 4. 7%。

上述文献中,利用深度学习模型获取鱼苗图像信

息虽然稳定性更高、效果更好,但对样本数据依赖

性比较高,需要大样本数据支持,属于高成本消

渔 业 现 代 化 2024 年

耗,在 普 通 个 体 养 殖 户 中 很 难 快 速 推 广 应

用[17-18]

。 传统处理方法虽然快速简单,对数据量

和时间要求较低,但效果受环境影响较大[19]

。 如

何在一定密度鱼群图像中,快速、准确获取鱼苗尺

寸信息成为一个技术难题。

针对鱼苗测量时体态易弯曲、多粘连的问

题,本研究提出了一种基于图像凹点分割算法

的鱼苗骨架快速提取方法。 即在鱼苗图像粘连

处,利用凹点特征对粘连鱼体进行分离,并以细

化鱼体骨架作为体长测量线,实现对鱼苗体长

的测量。

1 基于视觉的鱼苗体长快速测量方法

基于视觉的鱼苗体长测量方法的基本流程如

图 1 所示。 首先,通过深度相机采集目标鱼群灰

度和深度图像并完成对齐;然后在灰度图中通过

背景去除获取鱼体轮廓图;进一步通过鱼群凹点

特征对存在粘连的鱼体实现分割;再利用改进后

的细化算法获取鱼体骨架线,通过最小二乘法拟

合骨架线完成测量关键点筛选;最后结合图像深

度信息将测量关键点映射至三维空间实现鱼体的

尺寸测量。

图 1 基于视觉的鱼苗体长测量流程图

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

2 鱼苗体长测量实现

2. 1 图像采集

选用体长分布范围为 20 ~ 100 mm 的草鱼苗

作为测量对象,搭建了试验采集装置进行鱼苗图

像采集。 图像采集装置(图 2a) 为 450 mm× 300

mm × 500 mm 的铝型材框架,安装相机型号为

Intel Realsense D435,可以同时采集目标对象的图

像信息和深度信息,图 2b、2c 分别为所采集到的

灰度图和上色后的深度图。 计算机硬件配置包括

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

32GB DDR4 内存,运行 Windows 10 操作系统,负

责图像采集控制和图像处理工作。 装置下方是一

个 350 mm×250 mm×95 mm 的白色方形鱼苗检测

池,用来存放试验鱼苗。 考虑到鱼苗在垂直方向

会发生相互重叠影响到鱼体的分割,因此针对鱼

70

第 6 期 马志艳等:一种基于视觉的鱼苗体长快速非接触测量方法

苗大小,可将鱼苗池内的水深控制在 1~2 cm。 采

集图像时,相机固定在检测池中心正上方距离液

面 31 cm 处,采集的灰度和深度图像大小均为

640×480 像素,并利用 align 库函数对齐深度图与

灰度图。

B

 C

 D





图 2 图像采集试验平台与原始图像

Fig. 2 Image acquisition testbed and raw images

2. 2 鱼苗图像分割

2. 2. 1 鱼苗背景分割

由于采集图像时未对光照条件进行控制或采

取任何遮光措施,图像质量受到水面反射和外部

光照环境的严重影响,直接进行图像分割难以获

得完整的鱼苗前景图像。 本研究基于单尺度

Retinex 算法[20]

( Single Scale Retinex, SSR) 对鱼

苗灰度图像(图 3a)进行处理,可有效消除环境光

对图像的影响。 基本的 Retinex 算法公式如下:

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

式中:I 表示输入的原始图像,L 表示光照分量,即

图像中由光照条件产生的部分,R 表示反射分量,

即物体表面的反射性质,也就是增强后的图像,处

理效果如图 3b 所示。

目标图像除了存在照度不均的同时,也存在

较多图像噪声,如水面波动和水下颗粒产生的噪

声。 还 需 进 一 步 采 用 小 波 去 噪 ( Wavelet

Denoising)算法进行降噪处理。 通过对小波软阈

值函数进行改进,可以有效地降低水下图像中的

高频噪声[21]

,同时保留图像的边缘和细节,处理

结果如图 3c 所示,改进公式如下:

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 为原始小波系数;w?j,k 为阈值后的小波

系数;sign 为符号函数;λ 为阈值。

经过去噪处理后,借助灰度直方图即可快速

找到最佳分割阈值,分割出鱼苗图像。 此外,二值

化处理后的鱼苗图像会出现一些小空洞,利用

3∗3 的卷积核进行一次形态学闭运算,来填补空

洞和平滑边界,而不显著改变鱼苗的面积,最后可

以得到去除背景的鱼苗图片,鱼苗背景分割效果

如图 3d 所示。

B

 C

 D

 E



图 3 鱼苗图像预处理

Fig. 3 Fish fry image preprocessing

为评价预处理后的分割效果,利用交并比 IoU

作为分割效果评价指标,如式(3)所示:

IoU=

TP

TP+FP+FN

(3)

71

渔 业 现 代 化 2024 年

式中:TP 为真阳性数,即算法分割结果与人工分

割结果像素的交集;FP 为假阳性数,为算法分割

像素中不在人工分割结果内的像素;FN 为假阴

性数,为人工分割像素中不在算法分割结果内的

像素。

2. 2. 2 粘连鱼群分割

在鱼苗图像采集过程中,虽然通过限制水层

高度尽可能使鱼苗间不发生深度方向的重叠,但

鱼苗还会出现不同程度同层粘连现象。 对于这些

情况,在进行测量操作前需要进行鱼体分离。 针

对粘连物体分离的方法主要有凹点分割法[22]

、极

限腐蚀法[23] 和分水岭[24] 等方法。 分水岭法对于

粘连严重的情况应用效果较差,而极限腐蚀法在处

理过后会破坏鱼体图像的完整性[25]

,因此本研究

基于凹点分割法对粘连鱼体图像进行分割处理。

(1)鱼群粘连情况的判别

在进行分割操作之前,需要对鱼苗粘连情况

进行判别。 对所有鱼苗二值化图像(图 4a 和 4d)

进行轮廓分析之后,构建每个轮廓的凸封闭包

(图 4b 和 4e)。 对于单条鱼苗而言,得到的凸包

面积与鱼体轮廓面积差值不大;而有粘连的多条

鱼苗,凸包面积与鱼体轮廓面积有较大差异(图

4c 和 4f)。 本研究通过设置一个比例系数 K =

0. 6,当凹区域与原始二值化图像面积之比大于

比例系数 K 时,才判断当前二值化区域出现了粘

连,并通过腐蚀、距离变换和连通域统计等图像处

理操作获取粘连鱼苗数目。 此外,当单个鱼体发

生较大的形体弯曲时,也会被错判为发生了粘连

现象,在试验中发现此类情况较少, 可以基本

忽略。

B

 C

 D



E

  F

  G

 

图 4 鱼体粘连判定

Fig. 4 Determination of fish adhesion

注意到在鱼苗二值化图像轮廓边缘线中未发

生粘连部分呈现出往边缘外侧凸出的特征,而发

生粘连的部分则是呈现往边缘内侧凹陷的特

征[26]

。 因此,本研究通过粘连处的凹陷区域提取

凹点特征,并将其作为粘连点来分离粘连鱼体。

(2)粘连鱼群的分割

针对鱼苗图像粘连,可分为个体图像的串联、

并联两种情况来处理。 在串联粘连中,常见的形

式为鱼苗头-躯干相连、躯干-躯干相连和尾-躯

干相连,此时凹点数 A 与鱼苗数 n 的关系是 A =

2n-2。 对于只有 2 个鱼体发生粘连的串联情况,

凹区域一般是一一对应,凹点常常为凹区域上距

离凸包边缘的最远点,连接这两点即可完成粘连

鱼体的分离;对于有多个鱼体发生粘连的情况,需

要对凹区域进行匹配。 首先对有粘连的鱼苗图像

进行腐蚀操作,直到可以统计到的连通域数与鱼

苗数相等时即可。 计算每块区域的质心坐标,并

按顺序连接,计算出相邻两质心的中点。 将在两

质心连线两端,且包含有距离两质心中点最近点

的两区域作为配对的凹区域,连接配对好后的凹

区域上的凹点即可完成分离。 对于上述的两种串

联粘连情况,处理结果如图 5 所示。

对于并联粘连鱼苗图像而言,常见的形式为

鱼苗头-头相连和尾-尾相连,如图 6a 所示。 此

72

第 6 期 马志艳等:一种基于视觉的鱼苗体长快速非接触测量方法

时凹点数 A 与鱼苗数 n 的关系是 A = n-1,与串联

粘连情况不同,凹点并不是成对存在,仅仅利用凹

点无法将每条鱼苗完全分离,需要借助到鱼体关

键点。 首先对粘连鱼苗凸封闭包进行角点检测,

得到凸包角点,然后利用筛选后的凹区域 ( 图

6b) 找到对应凹点 (图 6c);最后利用凹点对角点

进行最终筛选,分别计算所有凸包角点与各凹点

间的距离,保留与所有凹点距离之和最小的角点,

分别连接此角点和所有凹点即可完成粘连分离

(图 6d)。

图 5 串联粘连分离过程图

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

B

  C

 D

 E

 

图 6 并联粘连分离过程图

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

2. 3 鱼苗测量线提取与计算测量

在基于传统图像算法的鱼苗尺寸测量研究

中,较为常见的就是提取到鱼头、鱼尾点,以两点

间的连线作为尺寸测量线,或者以最小外接矩形

拟合鱼体轮廓,将矩形长、短轴数值作为鱼苗尺寸

测量依据。 这两种方法在鱼体处于笔直状态下的

测量效果都不错,但在鱼体弯曲的情况下会存在

较大的误差[27]

。 本研究将鱼体轮廓中心坐标点

的连线作为尺寸测量线,可以较好地应对这种

情况。

物体骨架线提取可以通过图像细化来实现,

其中以 Zhang-Suen 算法的使用最为常见。 但该

算法的设计主要关注于细化主干部分,无法将端

点处的图像细化成一条完整的线,当直接应用于

鱼体图像细化时,会出现鱼头、鱼尾处线条丢失的

情况,得到的骨架线无法直接用于鱼体体长测

量[28]

。 此外,部分粘连鱼苗经分离处理后鱼体图

像会丢失原始的对称性,再经过细化得到的骨架

线可能会出现细短分支,影响后续骨架点的选取。

针对上述问题,对 Zhang-Suen 算法进行改进,具

体步骤如下。

(1)骨架单像素化

设某一像素点为 P0 ,在 P0 的 8 邻域内,以 P0

正上方的像素点为起始点,顺时针依次设为 P1 ~

P8 ,前景点值为 1,背景点为 0。 在 Zhang-Suen 算

法的条件 2 里,只有这些 8 邻域点像素值按顺时

针方向由 0 转为 1 的次数等于 1 时,才符合删除

条件。 这也是造成细化后骨架线为非单像素宽的

主要原因[29]

。 针对这一问题,加入公式( 4) 条

件,当 P0 的 8 邻域满足任意一种条件时即可删

除,以此来清除细化骨架斜线区域的冗余像素点。

(P1

×P7

= 1)&&(P4

= 0)

(P3

×P5

= 1)&&(P8

= 0)

(P5

×P7

= 1)&&(P2

= 0)

(P1

×P3

= 1)&&(P6

= 0)

ì

î

í

ï

ïï

ï

ï

(4)

(2)去除细短分支

加入上述删除条件后,鱼苗图像经过细化变

为单像素宽的骨架。 将 8 邻域内只有一个白色像

素的骨架点定义为端点,分支点为 8 邻域内黑色

到白色的过渡次数≥3 的骨架点。 分以下两种情

73

渔 业 现 代 化 2024 年

况对骨架线进行处理:

①分支点数= 1。 以分支点为起点,各端点作

为终点,利用广度优先搜索(BFS)算法进行多次

搜索和路径比较,最后只保留与分支点距离最远

端点的骨架路径。

②分支点数≥2。 只保留分支点间的骨架线。

(3)骨架线补充

清除细短分支后,得到只有两个端点的骨架

线。 对每条鱼的二值化轮廓进行遍历,将轮廓上

距离最远的两点提取为鱼头、鱼尾点,并将其与细

化后的骨架线端点一一连接,得到的骨架线即为

完整的体长测量线。

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



图 7 鱼苗骨架线提取

Fig. 7 Fry skeleton line extraction

为减小计算量,对提取到的骨架线进行测量点

筛选,利用 2 阶、3 阶、4 阶多项式对处理后的骨架线

进行拟合,3 种拟合结果如图 8a 所示(2 阶、3 阶、4

阶多项式曲线颜色分别为蓝、绿、红)。 从中可以看

出 2 阶多项式在鱼头、鱼尾处的拟合效果较差,3、4

阶多项式的拟合结果更符合鱼苗姿态。 考虑到 3 阶

多项式计算量小,选用 3 阶多项式作为最终拟合曲

线[30]

,并等距选取 6 个测量点,如图 8b 所示。

B



 C





图 8 多项式拟合和测量点选择

Fig. 8 Polynomial fitting and measurement point selection

得到鱼苗的骨架点像素坐标后,从对齐后的

深度图里获取对应点的深度信息,并通过相机

SDK 得到相机对应配置流的光心坐标(328. 166,

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

点像素坐标的情况下,利用获取到的相机参数和

深度值,求得在该点的相机坐标,实现坐标点三维

坐标转换。 转换公式如下:

Z = depth

X =

(u -cx)Z

f

x

Y =

(v -cy)Z

f

y

ì

î

í

ï

ï

ï

ï

ï

ï

(5)

式中:(X,Y,Z)是相机坐标系下的三维坐标,( u,

v)是像素坐标,depth 是该像素点的深度值,( cx,

cy)是相机光心在像素坐标系中的坐标,f

x、f

y 是相

机的焦距。

利用(5)中的公式即可计算出相机坐标系下

对应的三维坐标点 P( xi,yi,zi),由于限制了水层

深度,鱼苗在垂直方向上的倾斜幅度较小,因此它

们几乎保持水平状态,所提取到的相邻骨架点间

z 值信息差异不大,为节省计算量,在计算两相邻

骨架点之间的欧式距离时只需要利用( xi,yi ) 即

可,所有相邻骨架点间的欧氏距离的总和就是测

量鱼体的体长,鱼体体长的自动测量公式如下:

L = ∑

n-1

i = 1

xi

-xi+1

( )

2 + yi

-yi+1

( )

2

(6)

74

第 6 期 马志艳等:一种基于视觉的鱼苗体长快速非接触测量方法

3 结果与分析

3. 1 鱼苗图像分割结果

为验证所述方法分割效果,设计鱼苗图像分

割试验。 利用上述图像采集装置拍摄明、暗两种

条件下的两组鱼苗图像,使用本方法进行图像分

割对比直接二值化处理效果,以人工勾画区域为

鱼体实际面积。 得到分割效果对比图如图 9 所

示,可以明显看到,经图像增强和滤波处理后,再

进行二值化得到的鱼体轮廓更加完整。 试验得到

明、暗两种条件下的分割 IoU 值如表 1 所示,从表

1 中数据显示,经 Retinex 算法和小波变换处理

后,光照强弱程度对鱼体分割效果影响不大,而未

经处理的鱼体图像分割效果受光照环境影响严

重,在光照充足环境下分割效果明显优于光照

不足。

B

 C

  D

 

图 9 鱼体分割效果对比

Fig. 9 Comparison of fish body segmentation effect

表 1 不同条件下的鱼体分割 IoU

Tab. 1 Fish segmentation IoU under different conditions

试验场景

预处理后的

分割 IoU/ %

未进行预处理的

分割 IoU/ %

光照充足 90. 5 84. 7

光照不足 90. 8 77. 2

3. 2 单鱼测量对比试验

随机捞取 10 条鱼,利用直尺人工测量鱼吻端

到尾鳍基部的长度作为体长标准值,并单独对每

条鱼采集不同角度、位置的 10 张图像,分别使用

本方法和以鱼头、鱼尾点连线作为鱼体尺寸线的

测量方法来测量这 10 条鱼的尺寸,以此对比本文

方法和其他 2D 模式测量方法在弯曲鱼体尺寸测

量上的效果。 其中单次测量结果如图 10 所示,从

图中可以明显看到所述方法对于弯曲鱼体尺寸线

有更好的拟合效果,而利用鱼头、鱼尾点连线的近

似尺寸线测量弯曲鱼体时,明显会出现较大的

误差。

试验后,得到的鱼体尺寸测量相对误差如图

11 所示(本研究方法称为骨架法,鱼头鱼尾点连

线测量法称为两点法) 。 从图 11 中可以直观地

图 10 骨架法与两点法对比

Fig. 10 Comparison of the skeleton method with

two-point method

看到骨架法测量得到的体长相对误差数据分布较

为集中,总体落在-4. 143% ~ 2. 373%范围内,平

均相对误差为 2. 307%。 而仅利用鱼头、鱼尾连

线作为尺寸线的测量方法因为受到鱼体形态复杂

多变的影响,得到的体长相对误差数据分布相对

分散,总体落在-12. 857% ~ 1. 111%范围内,平均

相对误差为 5. 017%。 相较于仅以鱼头、鱼尾点

连线计算的两点法,本方法对自由游动的鱼苗体

长有更高的测量精度。

75

渔 业 现 代 化 2024 年

 4



0

1 2 3 4 5 6 7 8 9 10

4

8

14

16















注:箱线图横坐标为不同鱼编号;每条箱线对应同一条鱼的

若干计算结果;箱线的中心矩形代表测量结果的四分位

数范围;中心矩形内部的横线和点划线分别代表计算结

果的中位数和平均值;顶部和底部横线代表测量结果的

最大和最小值

图 11 单鱼尺寸测量相对误差箱线图

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

size measurements

3. 3 多鱼测量试验

为验证本方法在实际测量环境中的实用性和

稳定性,设计多鱼试验场景,随机捞取尺寸范围在

20~100 mm、不定数目的鱼苗,人工测量尺寸后放

入检测池,利用本方法进行 6 次隔时重复测量,将

人工测量尺寸和本方法测量得到的尺寸数值均按

从大到小排序,把位序一样的一组尺寸当作是同

一条鱼,共进行 10 组试验。 试验测量数据如表 1

所示,利用每组测量结果的平均绝对误差(Eabs )

和平均相对误差( Erel ) 来衡量测量算法的准确

度,计算公式如式(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 表示每组鱼苗测量总次数;Mi 表示算法

自动测量尺寸,Ai 表示人工测量尺寸。

从表 2 可以看出,针对随机抓取的不同鱼苗,

当出现轻微粘连或无粘连情况时,利用本文所述

方法测量得到的 Eabs 和 Erel 均保持在一个固定的

范围内,说明所述测量方法对于不同尺寸鱼苗具

有一致的精度和可靠性。 其中,3、10 组 Eabs 波动

较大(测量数据如图 12),主要原因是鱼苗分离后

轮廓不完整,导致提取到的骨架线与实际体长线

不符。 此外,实验室内人工抓取并测量一条鱼苗

的时间为 3 s,本方法单次测量运行时间在 0. 5 s

左右,在试验中尺寸测量最大偏差值为 3. 6 mm,

测量结果与人工测量相比差异性不大,但测量效

率更高。

表 2 多鱼试验尺寸测量结果

Tab. 2 Multi-fish test size measurements

测量

组数

平均绝对

误差 Eabs

/ mm

平均相对

误差 Erel

/ %

平均

耗时/ 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:程序编译器为 Pycharm,表中平均耗时为每组 6 次测

量所用时间的平均值,单次测量时间为 time 模块所记

录代码的运行时长

B



 C





图 12 多鱼试验尺寸测量结果

Fig. 12 Multi-fish test size measurements

76

第 6 期 马志艳等:一种基于视觉的鱼苗体长快速非接触测量方法

3. 4 误差分析

对上述两个试验场景中出现的最大误差数据

图像进行分析,发现测量误差主要源于以下几个

方面。一方面,测量误差与图像中鱼苗的粘连程

度有关,如图 13a 和 13b 所示。 对于单尾鱼苗,本

方法可以很好地测量其体长,轻微粘连的多尾鱼

苗经分离处理后测量结果影响不大,但对于发生

深度方向重叠的“X”型鱼苗,算法会将其当作串

联粘连处理,经分离后会出现鱼体轮廓丢失或异

常增大的情况,在这种情况下利用本算法测量得

到的数据会出现较大的误差。

另一方面,与鱼苗前景的不准确分割有关。

人工测量鱼体体长时考虑到鱼尾鳍的特殊性,将

鱼吻端到尾鳍基部的长度作为鱼体体长,由于本

研究使用固定阈值法对鱼体进行分割,且未进行

任何打光处理,虽然使用图像增强算法加强了鱼

体与背景之间的边缘特征,使得算法能将鱼苗从

背景中分割出来,但无法准确地划分出鱼体与尾

鳍的界限,致使得到的鱼体与规定测量区间的鱼

体存在差异,进而影响到测量值,如图 13c 所示。

B

  C

 D



图 13 误差原因分析

Fig. 13 Analysis of error causes

4 结论

针对水产养殖中,人工测量鱼苗尺寸效率低、

损耗大,现有视觉测量方法无法应对鱼体弯曲、鱼

苗粘连等情况的问题,提出了一种基于视觉的鱼

苗快速非接触尺寸测量方法。 在预处理阶段对采

集到的鱼苗图像进行增强、去噪处理,较好地解决

了传统分割算法受环境因素影响大的问题,提高

了鱼体前景的分割准确率;对存在粘连的鱼苗进

行粘连状况分析、判断,再基于凹点完成分离,保

证了鱼苗个体的独立性、完整性;利用改进后的

Zhang-Suen 算法提取鱼体骨架线,并通过三阶多

项式拟合筛选测量点,最后结合深度信息进行三

维坐标转化,实现了鱼苗体长的自动、快速测量。

经试验表明,所述测量方法相较于仅以鱼头、鱼尾

连线类的两点测量方法在弯曲鱼体体长测量上更

有优势,对于存在部分粘连的鱼苗,本方法也能很

好地完成分离和体长测量。 其中,测量总平均绝

对误差为 1. 62 mm,平均相对误差为 4. 24%,尺寸

测量最大偏差为 3. 6 mm,为水产养殖中鱼苗尺寸

无接触测量提供了参考。 □

参考文献

[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] 周晓林,马超,王兆平,等. 基于机器视觉的鲤、鲫鱼性状测量

系统 的 设 计 与 实 现 [ J ]. 渔 业 现 代 化, 2022, 49 ( 6 ):

108-117.

[4] 单佳楠,郑晓伟. 基于机器视觉技术的金鲳鱼质量预测研究

[J]. 渔业现代化, 2023,50(2): 58-66.

[5] 涂雪滢,钱程,刘世晶,等. 基于 ResNet34 模型的大菱鲆鱼苗

识别计数方法[J]. 渔业现代化, 2024,51(1): 90-97.

[6] 袁红春,史经伟. 基于改进 YOLOv7- tiny 和动态检测门的金

枪鱼自动检测与计数研究[ J]. 渔业现代化, 2023,50( 6):

74-83.

[7] 冯双星,王丁弘,潘良,等. 基于轻量型 S3D 算法的鱼类摄食

强度识别系统设计与试验[ J]. 渔业现代化, 2023,50( 3):

79-86.

[8] 雷帮军,裴斐,吴正平,等. 改进的 DeepLabCut 鱼类游动轨迹

提取[J]. 渔业现代化, 2024,51(2): 61-69.

[9] 张洪交,张存喜,王瑞,等. 基于图像处理和改进 DenseNet 网

络的小黄鱼新鲜度识别[ J]. 南方水产科学, 2024,20( 2):

77

渔 业 现 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. 双目视觉用于鱼苗尺寸测量[ J].

光学技术, 2017,43(2): 153-157.

[12]周晖. 基于深度学习的鱼类体尺测量研究[D]. 上海:上海海

洋大学, 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,钮冰姗,彭芳,等. 基于可见光谱的鱼苗体长估测方

法研究[J]. 光谱学与光谱分析, 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]李艳君, 黄康为, 项基. 基于立体视觉的动态鱼体尺寸测量

[J]. 农业工程学报, 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]索飞扬. 基于水下视觉智能的鱼类尺寸实时测量系统[D].

杭州:浙江大学, 2022.

[20]田宁,程莉,元海文,等. 基于 Retinex 模型的水下图像增强方

法[J]. 中国科技论文, 2022,17(11): 1281-1288.

[21]陈振娅,刘增力. 基于小波变换的水下图像去噪方法[ J]. 现

代电子技术, 2023,46(23): 43-47.

[22]白云飞,杨梦磊,张翔,等. 多蜜蜂重叠图像的凹点匹配分割

算法[J]. 中国农机化学报, 2020,41(6): 188-193.

[23]马正华,申根荣,吕继东. 基于极限腐蚀的重叠苹果果实分

割方法[J]. 江苏农业学报, 2017,33(6): 1372-1378.

[24]魏亚辉,黄耿楠,吴福培. 基于改进分水岭算法的苹果识别

方法[J]. 包装工程, 2021,42(8): 255-260.

[25]张伟进,王福顺,孙小华,等. 传统图像分割算法在农作物籽

粒考种应用中的研究进展[ J]. 中国农机化学报,2024,45

(2):280-287.

[26]周典卓,谭鹤群,朱明,等. 采用边缘曲率进行图像分割的高

密度鱼苗计数方法 [ J]. 农业工程学报, 2023, 39 ( 21):

258-268.

[27]李振波,赵远洋,杨普,等. 基于机器视觉的鱼体长度测量研

究综述[J]. 农业机械学报, 2021,52(增刊 1): 207-218.

[28]孙泽源. 基于计算机视觉的鱼体长度测量技术研究[D]. 大

连:大连理工大学, 2022.

[29]常庆贺,吴敏华,骆力明. 基于改进 ZS 细化算法的手写体汉

字骨架提取[ J]. 计算机应用与软件, 2020,37 ( 7): 107-

113, 164.

[30]周佳龙,季柏民,倪伟强,等. 基于三维姿态拟合的非接触式

红鳍东方鲀全长精准估算方法[J]. 农业工程学报, 2023,39

(4): 154-161.

78

第 6 期 马志艳等:一种基于视觉的鱼苗体长快速非接触测量方法

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 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. 009 开放科学(资源服务)标识码(OSID):

苏碧仪,梅海彬,袁红春. 基于 Segformer 与特征融合的水下养殖鱼类图像分割方法[J]. 渔业现代化,2024,51(6):80-90.

收稿日期:2024-07-11

基金项目:国家自然科学基金“基于海洋大数据深度学习的渔情预测模型研究(4177614)”

作者简介:苏碧仪(1999—),女,硕士研究生,研究方向:人工智能应用。 E-mail:951802382@ 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 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

(上海海洋大学信息学院,上海 201306)

摘要:水产养殖管理中,精准分割图像中的鱼类对生长管理至关重要,但水下环境复杂,图像质量低,现有分

割方法面临精度低、泛化能力弱等挑战。 提出了一种改进 Segformer 模型(FT-Segformer,简称 SegFT)的水下

鱼类图像分割方法。 首先,利用四层 transformer block 提取输入图像高分辨率到低分辨率的不同尺度特征。

在解码器部分,借助特征金字塔融合机制增强上下文感知;然后,利用转置卷积还原特征图维度,进一步提升

特征学习的效果;最后,构建了一个用于模型评估的真实水下养殖环境的锦鲤数据集(UAGF),并在该数据

集上进行相关验证试验。 结果显示:该模型在 mIoU、mPA 和 mRecall 等评估指标上均优于现有方法,分别提

升了 1. 76%、0. 39%和 0. 19%,在 mIoU 指标上, SegFT 分别超越了 U-Net、PSPNet、HRNet、Deeplabv3+模型

1. 92、3. 73、3. 07 和 3. 58 个百分点。 研究表明,所提出的方法在复杂的水下环境下,具有显著的有效性和鲁

棒性。 分割性能上优于现有的监督图像分割方法。

关键词:智慧水产养殖;图像分割;特征融合;转置卷积;深度学习

中图分类号:S 969. 39; TP 391. 4 文献标志码:A 文章编号:1007-9580(2024)06-0080-011

智慧养殖已成为水产养殖业转型升级的重要

动力,如何高效、精准地管理鱼类生长环境、监测

鱼类生长状态,成为提升养殖效益和保障水产品

质量的关键[1]

。 在水产养殖过程中,有必要准确

获取鱼的形状、大小和数量,提取这些信息的关键

步骤在于将鱼类目标从图像背景中分割,其分割

精度决定信息提取的准确程度。

近年来,利用深度学习技术处理图像成为研

究热点[2]

。 深度学习在鱼类识别和分割上的应

用,有助于渔民精准掌握鱼类生长信息与数量,优

化渔场管理与生产效率[3-6]

。 基于深度学习的水

产养殖鱼类图像分割技术,在应对光线变化、水质

影响、物体遮挡以及鱼类个体特性差异等挑战[7]

时,常因图像质量的下降而面临分割精度与鲁棒

性受损的问题,限制了其在水下环境中的应用。

因此,实现水下鱼类图像精确分割的研究具有重

要实践意义与挑战性。

岳有军等[8]提出 ARD-PSPNet 模型,采用深

度可分离卷积减少计算量,结合 R-MCN 结构有

效利用浅层特征,同时优化损失函数,实现更精准

的分割边界界定。 王红君等[9] 结合空洞卷积和

SENet 优化的 Deeplabv3+,在保持细节信息的同

时,通过特征重标定提高了模型对重要特征的敏

感度,从而提高了分割的准确性和效率。 Li 等[10]

提出了一种基于像素阈值分割的鱼类图像预处理

方法,通过重新定义阈值并融合来增强图像特征。

同 时, 提 出 多 尺 度 注 意 力 特 征 提 取 模 块

(MAFEM),结合自适应通道注意力机制和混合

扩展卷积金字塔池模块,以加强图像高级语义特

征的提取。 Chen 等[11]提出了一种多尺度残差注

意力 网 络 ( MSR - Net ) 分 割 算 法, 该 算 法 以

ResNet50 残差网络作为骨干特征提取网络,引入

了多尺度通道注意力机制,使得网络模型能够保

留更完整的样本边缘信息。 Yu 等[12] 提出了一种

基于 Mask R-CNN 的鱼类图像分割和鱼体形态特

征指标测量的方案。 首先,利用自制的图像采集

第 6 期 苏碧仪等:基于 Segformer 与特征融合的水下养殖鱼类图像分割方法

设备捕获鱼类图像。 然后,对鱼类图像进行预处

理和标注,并输入到 Mask R-CNN 中进行训练。

最后,利用训练好的模型对鱼类图像进行分割,以

获得鱼类的形态特征指标。 Nezla 等[13] 应用语义

图像分割探索了水下物体的实例分割任务,他们

提出的模型以基于 UNet 的语义分割网络为基本

框架,将其扩展到对水下鱼类知识图像数据集的

精确分割。 通过选择合适的超参数对该模型进行

训练和微调。 Han 等[14]提出 IST-PSPNet 水下鱼

类分割方法,通过迭代注意力特征融合机制挖掘

多尺度特征,利用快速索引加权激活的软池化减

少计算并保留特征信息。 Xu 等[15] 提出了一种新

型的多尺度 Transformer 网络(MulTNet),该网络

结合了卷积神经网络和 Transformer 的优势,有效

提高了海洋生物分割的准确性。

尽管这些研究在特征提取和表示方面取得了

进展,但模型在不同场景下的泛化能力仍有待提

高。 特别是当面对复杂的水下环境时,模型的稳

定性和鲁棒性可能受到影响,另外,大多数研究所

采用的特征提取模型为卷积网络,无法为后续鱼

的数量估计提供支持。

本研究提出了一种基于 Segformer

[16] 和特征

融合的水下养殖鱼类图像分割方法,即特征金字

塔网络( FPN) + 转置卷积 ( FT - Segformer,简称

SegFT)。 通过数据增强技术模拟水下拍摄成像,

利用 Segformer 的鲁棒性和特征金字塔 FPN

[17] 多

尺度特征融合优势,弥补边缘分割不足,并利用转

置卷积[18]进一步保留空间细节信息,提升模型对

多种尺寸鱼类实例的适应能力。

1 方法

1. 1 数据集

本研究创建了一个水下养殖环境中观赏锦鲤

图像的数据集(UAGF),该数据集源于上海海洋

大学露天养殖池中拍摄的锦鲤图像。 锦鲤作为养

殖金鱼中的代表性品种,体长 10 ~ 35 cm,体质量

1. 0~3. 5 kg,充分展现了不同生长阶段的形态特

征。 该水池区域约为 200 m

2

,水深 1. 2 m,共养殖

锦鲤约 300 条,水体 pH 7. 5,溶氧质量浓度 6 mg /

L,这一养殖规模与参数符合鱼类养殖场标准,能涵

盖自然条件下水下养殖鱼类所面临的光照、水质、

空间分布等关键因素。 在 13:00 至 18:00 期间,利

用自拍杆固定水下相机 GoPro RX0 沉入水中,以

1 920 × 1 080 分辨率和 50 帧/ s 录制鱼类视频。 将

每段视频转换为 10 帧图像,共得到 23 000 张原始

图像。 经筛选去除无鱼或鱼被遮挡图像后,保留

6 583 张具有清晰鱼体轮廓且涵盖不同光照、水

浑浊度和鱼密度的图像,以此构建了 UAGF 数据

集。 图 1 第一列展示了部分原始图像。

与 Uieb

[19]

、 Deepfish

[20]

、 Fish4knowledge

[21]

、

Labeled Fishes in the Wild

[22]等其他公开的水下数

据集相比,本研究中的 UAGF 数据集具有以下特

点:UAGF 能够模拟野生湖泊、生产和养殖环境。

相较于海洋环境,其水质浑浊、可见度低,数据采

集难度与技术要求更高。 因此,本研究数据集在

养殖环境监测中具有较高真实性和代表性,具有

更高的技术难度和挑战性,对处理和分析的网络

性能要求也更高。

水下拍摄条件复杂,存在低对比度、光照不

佳、色彩失真及噪声等问题,这些因素制约了图像

质量和计算机视觉任务的表现。 本研究利用图像

增强技术以优化图像质量并提升多样性,对初始

图像实施了一系列传统增强手段,包括色彩调整

(亮度、饱和度、色调、对比度变化)与随机直方图

均衡化,以及模拟不同天气不同时刻水下光源条

件的随机白平衡处理,显著增强了图像的多样性

和表现力,如图 1 第 2 列所示。

为进一步提升模型的泛化与鲁棒性,针对水

下养殖鱼类图像分割任务,研究中引入高斯噪声

加强模拟实际水体浑浊、低光及摄像等设备噪声

等复杂因素。 这一策略不仅丰富了图像特征表

达,还通过反映真实世界的噪声干扰,促使模型学

习在多种环境条件下识别目标,图 1 第 3 列展示

了噪声增强的实例。

为了全面评估每种方法的性能,本研究进行

了两组不同噪声设置的试验,将 UAGF 分为数据

集 1 和数据集 2,以评估这些方法在有/ 无噪声影

响下的分割能力。 具体试验设置如下:

(1)数据集 1 为 6 583 张不经过处理的原始

图像。 这作为基准试验,用于比较评估每种方法

在原始数据上的性能。 将初始图像按照 8 ∶ 1 ∶ 1

的比例划分为训练集 1、验证集 1 和测试集 1。

(2)数据集 2 包含 2 583 张未经处理的图像、

2 000 张经过噪声处理的图像和 2 000 张经过颜

81

渔 业 现 代 化 2024 年

色变换处理的图像。 本研究将数据集 2 按照 8 ∶

1 ∶ 1 的比例划分为训练集 2、验证集 2 和测试集

2。 数据集 2 用于评估在存在失真和噪声情况下

的每种方法分割性能。

  



图 1 不同处理操作效果展示

Fig. 1 Display of effects of different treatment operations

1. 2 网络总体架构

所提出的方法 SegFT 基于 Segformer 网络构

建,如图 2 所示,包括由 4 层 Transformer block 结

构组成的编码器和由 FPN 与转置卷积构成的解

码器。 输入图像经过 4 层 Transformer block 结构

提取到多尺度特征,解码时通过特征金字塔融合

机制增强多尺度鱼类特征融合与上下文感知,保

留精细边缘,转置卷积恢复特征图维度,优化特征

学习。

Segformer 是一种在语义分割领域广泛认可

的深度学习模型。 它融合了 Transformer 与轻量

级多 层 感 知 机 ( MLP ) 解 码 器。 如 图 3 所 示,

Segformer 采用分层 Transformer 编码器生成多尺

度特征,并摒弃了传统复杂的解码器设计,转而采

用了一种高效的 MLP 解码器机制,有效聚合各层

信息,融合局部与全局注意力,展现强大表征能

力。 使其非常适合本研究的水下鱼类图像分割

任务。

Segformer 处理图像的过程如下:编码器中的

MiT Transformer 模块使用重叠块嵌入(OPE)结构

作为输入。 OPE 通过标准卷积层将二维特征展

开为一维特征,然后将这些特征输入到 EMSA

(Efficient Multi - head Self -Attention) 和 MixFFN

(Mixed Feedforward Network)层中。 EMSA 层实现

了高效的多头自注意力计算,用于特征增强。 与

传统的位置编码方法不同,在两个线性变换的正

常前馈层之间添加了一个 3∗3 的二维卷积层,以

融合空间位置信息。

82

第 6 期 苏碧仪等:基于 Segformer 与特征融合的水下养殖鱼类图像分割方法

图 2 网络总体架构

Fig. 2 Overall network architecture

Transformer block 通过叠加多个 EMSA 模块

与 MixFFN 单元,实现了网络深度的增强,能够捕

获更为详尽的细节信息与高级语义特征。 与众多

网络架构相异,MiT 采取了一种独特的策略,即在

各个独立的尺度上直接执行自注意力机制,而非

先整合跨尺度的信息后再统一进行自注意力计

算,这一设计旨在更灵活地处理多尺度特征,使得

每个尺度上的自注意力计算更加纯净且高效。 输

入图像经过 4 层 Transformer block 会生成不同分

辨率的特征图。 这些特征图在不同层次上包含了

从粗到细的特征信息,为后续的 FPN 机制提供了

丰富的多尺度输入。

图 3 Segformer 网络架构

Fig. 3 Structure of the Segformer

1. 3 特征融合改进

传统图像分割模型常局限于深度卷积网络的

最终特征图,其高下采样率(如 16 或 32 倍)常导

致小物体信息在特征图上丢失,显著影响小物体

检测效果。 这是因为下采样减少了小物体的像

素,从而导致相关信息的丢失。

为了解决这一问题,特征金字塔网络(FPN)

结构引入了特征融合机制。 如图 4 所示,该结构

包含两条路径:自底向上和自顶向下。 自底向上

路径代表主干网络前向特征提取过程,而自顶向

下路径则表示对最后一层特征图的上采样操作。

沿着这两条路径,利用 1∗1 卷积对主干提取的每

一层特征图进行通道压缩或扩张,使其与经过上

采样后的深层特征图具有相同的空间维度,将深

83

渔 业 现 代 化 2024 年

层的高级特征上采样后与浅层的低级特征以对应

元素相加和的方式融合。 这种设计有效地缓解了

多尺度问题,使得 FPN 在小物体检测方面能够取

得令人满意的结果。

在 Segformer 的解码器中,本研究提出使用

FPN 来替代 MLP 层中的 MLP 模块。 这一改进能

够更好地整合编码器从不同尺度提取的特征信

息。 FPN 中金字塔形网络在特征融合时考虑了

浅层和深层特征之间的差异,而不仅仅是简单地

将所有特征堆叠在一起。 在水下养殖鱼类图像的

分割任务中,不同鱼类之间的重叠区域和交界处,

以及鱼尾和鱼鳍的细节部分,都包含了重要的边

界特征。 4 层 Transformer block 提取出来的浅层

特征图中捕捉到了鱼类图像中的如鱼鳍、鱼尾精

细边缘等的复杂细节特征,而越往后的深层特征

图感受野越大,包含了鱼类的整体形状结构、颜

色、轮廓及纹理特征。 利用 FPN 融合这些不同层

次特征图的特征,可以提高水下养殖鱼类图像分

割的准确性。

图 4 特征金字塔网络结构

Fig. 4 FPN module structure

1. 4 上采样改进

传统的上采样方法常常面临信息丢失、边缘

模糊、计算需求高以及模型泛化能力受限等问

题[23]

。 这些方法通常在不考虑特征之间相关性

的情况下进行插值,导致生成的高分辨率特征中

详细信息的丢失。 转置卷积是一种卷积操作,可

以在一定程度上恢复这些空间信息,使得特征图

在保持一定特征表达能力的同时,具有更高的空

间分辨率。

在 SegFT 方法中,本研究在 Segformer 网络的

解码器部分采用了转置卷积,而非传统的上采样

技术(如双线性插值或最近邻插值),操作过程如

图 5 所示。 转置卷积模块由一系列步长大于 1 的

卷积层组成。 通过对 FPN 模块的输出应用转置

卷积,可以逐步提升特征图的空间分辨率,同时保

留详细信息。 这解决了传统上采样方法中空间细

节丢失问题。

图 5 上采样操作过程

Fig. 5 The process of upsampling operation

此外,水下环境的复杂性往往导致鱼类图像

出现边缘消失[24]

,而传统的上采样操作并不能有

效解决这一问题。 转置卷积能更好地保留边缘信

息并减少边缘模糊。 通过采用可学习的转置卷

积,特征可以被上采样到更精细的空间尺度,从而

增强模型对不同尺度鱼类实例的泛化能力。 这也

84

第 6 期 苏碧仪等:基于 Segformer 与特征融合的水下养殖鱼类图像分割方法

有助于模型适应水下环境中不同大小和尺度的鱼

类实例,确保模型的鲁棒性。

1. 5 损失函数优化

在水下养殖鱼类图像分割任务中,结合使用

Focal Loss

[25]和 Dice Loss

[26]能够显著提升模型的

性能。 Dice Loss 以其对类别不平衡问题的鲁棒

性和对小目标分割的敏感性,确保模型能够准确

识别并分割出不同体型的鱼类,即使在水下复杂

环境中也能保持高精度。 而 Focal Loss 则通过动

态调整易分类样本的权重,使得模型更加专注于

难分类的鱼类样本,从而增强模型的泛化能力和

训练效率。 本研究将 Dice loss 作为辅助损失函

数来和主损失函数 Focal Loss 一起训练。

Focal Loss 是二分类交叉熵损失函数的改

进[25]

。 通过一个动态缩放因子减少易分类样本

的权重,从而将重心快速聚焦在那些难区分的样

本, 公式(1)如下:

LFocal

= -αt(1 - pt)

γ

log(pt) (1)

式中:LFocal 表示 Focal Loss 损失函数,pt表示样本

真实类别的预测概率;αt 平衡正负样本间的损

失;γ 则调节了难易样本间的权重分布,从而有效

应对样本失衡问题。

Dice Loss 在处理类别不平衡问题上表现出

色。 在水下养殖环境中,由于光照条件、水质变化

等因素的影响,图像可能存在鱼类与背景(水体、

其他生物或物体)之间的严重不平衡。 Dice Loss

通过计算预测与真实分割之间的重叠区域(即

Dice 系数),并转化为损失函数,使得模型更加关

注小类别的分割效果,从而有效应对类别不平衡

问题[27]

,公式(2)如下:

LDice

= 1 -

2 | X ∩ Y | + 1

| X | +| Y | + 1

(2)

式中:LDice 表示 Dice Loss 损失函数, | X | 和 | Y | 分

别表示分割的真实标签中目标类别的像素个数和

预测掩码中目标类别的像素个数。 | X∩Y | 表示

集合 X 与集合 Y 的交集。

本研究所采用的损失函数 L 为上述两种损失

函数融合,公式(3)如下:

L =LFocal

+LDice (3)

式中:LFocal 表示 Focal Loss 损失函数,LDice 表示

Dice Loss 损失函数。

2 试验分析与结果

2. 1 试验设置

本试验基于 Ubuntu 操作系统,硬件试验平台

采用了一块具有 24GB 显存的 NVIDIA GTX 3090

GPU 以及一个 Intel ( R) Core ( TM) i5 - 7200U

CPU。 开发环境则基于 Python3. 8、PyTorch1. 12

和 CUDA11. 5。 研究采用了 Adam 梯度下降算法

进行网络优化。 为加速网络收敛并缓解振荡现

象,将动量参数设置为 0. 9。 权重衰减率被设定

为 0. 01。 对于初始学习率,通过经验调整和试验

验证,确定 0. 000 1 为合适的初始学习率,另外,

选择了余弦退火作为学习率衰减策略。 在模型训

练过程中,采用了冻结训练策略。 冻结训练策略

是迁移学习的一种常用技术,能通过固定模型部

分层的参数来加速训练过程、防止过拟合、保持通

用特征稳定性,并减少对大量标注数据的依赖。

具体而言,在模型训练的初始阶段,固定网络中的

部分或全部层权重和参数,仅更新部分层的权重,

以稳定训练过程并加速收敛。 本研究将冻结轮次

设置为 50,批量大小设置为 16,模型训练的总轮

次为 100。 对于未冻结的部分,批量大小设置

为 8。

2. 2 评估指标

为了客观评估模型在 UAGF 数据集上的分割

能力,本研究选择了图像分割评价指标平均交并

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

准确 率 ( Mean Pixel Accuracy, mPA)、 准 确 率

(Accuracy)、精确度(Precision)和召回率(Recall)

作为试验结果的评估指标。 其中,mIoU 用于衡量

图像分割任务中预测结果与真实标签之间的相似

性,而 mPA 则分别计算每个类别中正确分类像素

的比 例。 Accuracy 表 示 分 类 结 果 的 正 确 性,

Precision 衡量模型将正样本预测为正样本的准确

性,Recall 则衡量模型覆盖正样本的程度。 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

渔 业 现 代 化 2024 年

Precision =

TP

TP + FP

(7)

Recall =

TP

TP + FN

(8)

式中:k 表示划分出的类别数量,总共有 k+1 个类

别(含背景);i、j 分别代表真实值和预测值;pij 表

示被 预 测 为 j 类 的 i 类 像 素 数 量; TP ( True

Positives)表示正确预测为正类(目标类别) 的样

本数量;FN( False Negatives) 表示错误预测为负

类(即未能识别出的目标类别)的正类样本数量;

FP(False Positives) 表示错误预测为正类的负类

(非目标类别)样本数量;TN(True Negatives)表示

正确预测为负类的样本数量。

2. 3 训练过程比较

图 6 呈现了 SegFormer 与 SegFT 在训练期间

损失 值 变 化 情 况 的 对 比。 相 较 于 SegFormer,

SegFT 在训练过程中能够更有效地降低损失值。

初始阶段,尽管 Segformer 迅速降低了损失值,但

SegFT 从一开始就保持了较低的损失水平,体现

了其模型设计的有效性。 随着训练的深入,SegFT

的损 失 值 持 续 且 稳 定 低 于 Segformer, 这 表 明

SegFT 在训练过程中具有更强的适应性和优化能

力,能更有效地减少误差。 在训练后期,SegFT 的

优越性能更为明显,更低的损失值预示着更高的

预测精度和泛化能力。

0.2

0

0.4

0.6

0.8

1.0

1.2

Loss

Segformer

SegFT

0 20 40 60 80 100

Epochs

图 6 训练损失变化曲线

Fig. 6 Training loss variation curve

2. 4 对比试验

本试验旨在进一步评估 SegFT 在水下鱼类图

像分割任务中的有效性。 为了进行比较试验,选

择了图像分割领域中的几种知名方法作为对比,

包 括 Deeplabv3 +

[28]

、 PSPNet

[29]

、 U - Net

[30]

、

HRNet

[31]和 Segformer。 同时,所有模型均使用相

同的训练参数和策略进行训练。

在数据集 1 与数据集 2 上进行的上述试验结

果如表 1 和表 2 所示。 总体而言,在水下养殖鱼

类分割任务中,与基准模型 Segformer 以及其他分

割算法相比,SegFT 在不同噪声设置下取得了更

稳健的结果。

表 1 不同算法在测试集 1 的定性对比

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

模型 主干 mIoU mPA 准确率 精确度 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 不同算法在测试集 2 的定性对比

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

模型 主干 mIoU mPA 准确率 精确度 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 苏碧仪等:基于 Segformer 与特征融合的水下养殖鱼类图像分割方法

通过比较和分析表 1 和表 2 中的试验数据,

可以观察到,在加入噪声干扰后,与其他模型相

比,SegFT 模型仅使 mIoU 参数下降了 1. 15%。 具

体 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%。 显然, 在噪声条件下,

SegFT 的性能下降幅度相对较小,充分展示了其

在抗噪声方面的优越性,并表现出卓越的泛化能

力和鲁棒性。 这一特性使本模型在复杂的实际应

用场景中具有更强的适应性。

在表 2 中,相较于基准模型 Segformer,所提

出的方法在 mIoU 与 mPA 评估标准上,分别实现

了 1. 76% 与 0. 39% 的提升。 在 mIoU 指标上,

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

Deeplabv3+ 1. 92、3. 73、3. 07 和 3. 58 个百分点。

在 mPA 指标上,SegFT 分别优于 U-Net、PSPNet

和 Deeplabv3+ 1. 72、2. 29 和 2. 46 个百分点。 对

在数 据 集 2 中 试 验 表 现 更 佳 的 Deeplabv3 +、

PSPNet、U-Net、Segformer 以及 SegFT 进行了试验

结果的可视化,如图 7 所示。

图 7 在数据集上的分割结果比较

Fig. 7 Comparison of segmentation results on the dataset

在 图 7 中, 本 研 究 的 模 型 分 割 结 果 与

Segformer、Deeplabv3 +、PSPNet 和 U-Net 的进行

了比较。 第一列展示了来自 UAGF 数据集的原始

图像,而第 2 列到第 5 列则展示了使用这些原始

图像作为测试集所获得的分割结果。 值得注意的

是,本研究模型在训练过程中包含了噪声图像,这

提高了其鲁棒性。 因此,当使用原始图像作为测

试集进行分割时,SegFT 能够表现出更优越的性

能。 根据图 7 所展示的结果,SegFT 在水下养殖

环境的分割任务中,较其他方法展现出了优越性

能。 特别是在第 2、3、4 行图像中的鱼类分割上,

本研究方法实现了较为精准的分割效果。 而

Deeplabv3+、U-Net 和 Segformer 等方法则存在目

标被忽略或错误检测的情况。 特别是在第三行和

第四行的结果中,SegFT 实现了完整的鱼类分割,

而其他方法则未能完全进行分割,将鱼类像素错

误地识别为背景像素。 此外,这些模型的分割性

能还存在目标边缘分割不准确的问题,而本模型

在这一方面则较好地改进了其他模型的不足。

在表 3 中,针对不同骨干网络的性能进行了

深入研究。 本研究选择了 B0、B1、B2、B3、B4 和

B5 作为骨干网络,并在数据集 2 上采用本研究的

方法(B2 + FPN+ 转置卷积)进行试验,旨在全面

评估这些网络在该任务上的性能表现。 对比试验

的结果显示,不同骨干网络之间存在显著的性能

差异。 在综合考虑性能与效率的平衡后,本研究

选择 B2 作为试验基线模型中 Segformer 模型的骨

干网络。 与 B4 和 B5 相比,B2 在计算效率和模型

大小之间实现了良好的折中。 这使本研究模型能

够在保持一定性能水平的同时,降低计算和存储

87

渔 业 现 代 化 2024 年

需求。

本研究通过进一步结合 FPN 和转置卷积来

增强以 B2 为骨干网络的 Segformer 模型,取代了

传统的上采样策略,以提升其分割能力。 相比之

下,本研究的改进方法在 mIoU 和 mPA 值上分别

实现了 1. 76%和 0. 39%的显著提升。 这是因为

FPN 能够有效地捕获图像中的多尺度特征,从而

增强了模型在处理水下养殖观赏鱼分割任务中复

杂细节的能力。

本次试验验证了 SegFT 在水下养殖鱼类分割

任务中的优越性,为水下养殖业提供了一种高效

且准确的鱼类图像分割方法。

表 3 不同特征提取网络下的分割效果比较

Tab. 3 Comparison of segmentation effects under different

feature extraction networks

模型 mIoU mPA 参数量

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+

转置卷积

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

2. 5 消融试验

本研究中,在噪声设置下的数据集 2 中,对

SegFT 模型进行了消融试验,以评估本研究在解

码器模块中引入的两个关键改进:引入 FPN 以及

转置卷积。 试验结果如表 4 所示。

首先,本研究探讨了加入特征融合机制的影

响,结果显示,与原始的 SegFormer 模型相比,采

用 FPN 模块使 mIoU 和 mPA 指标分别提高了

0. 92 和 0. 09 个百分点。 FPN 通过自顶向下的路

径和横向连接,将不同尺度的特征图进行融合,从

而实现了从全局到局部的不同分辨率特征图中信

息的整合。 这种机制不仅增强了模型对鱼类细节

的捕捉能力,还提高了模型对复杂水下环境的适

应性。 试验结果显示,引入 FPN 后,mIoU 和 mPA

指标均有显著提升,验证了多尺度特征融合的有

效性。

其次,本研究分析了将上采样操作替换为转

置卷积的效果。 转置卷积作为一种可学习的上采

样方法,可以在保留细节的同时进行有效的特征

恢复。 试验结果证实了这一点,在上采样中引入

转置卷积后,改进后的模型在 mIoU 和 mPA 值上

分别提高了 0. 51 和 0. 03 个百分点。 这一结果表

明,转置卷积在提高模型分割精度和处理复杂细

节方面具有有效性。

表 4 FPN 模块和转置卷积的消融试验数据

Tab. 4 Ablation experimental data for FPN module and

transposed convolution

模型 FPN 转置卷积 mIoU mPA

Segformer+B2

86. 55% 93. 02%

√ 87. 47% 93. 11%

√ 87. 06% 93. 05%

√ √ 87. 86% 93. 25%

注:“√”表示该模块被采用

3 结论

针对水下养殖鱼类图像分割精度偏低的问

题,提出 SegFT 网络模型,通过集成 FPN 与转置

卷积,显著增强了特征表示、语义信息融合能力以

及特征分辨率,从而实现了对水下养殖鱼类及背

景的高精度分割。 在所构建的真实数据集 UAGF

上的 试 验 结 果 表 明, 该 模 型 在 mIoU、 mPA 和

mRecall 等评估指标上均优于现有方法,分别提升

了 1. 76%、0. 39%和 0. 19%,验证了在提高分割精

度和保留细节信息方面的有效性,展现了在提升

分割精度与细节保留方面的独特优势和在复杂水

下环境中的高度适应性和鲁棒性。 本研究成果可

为水产养殖智慧管理提供有力的技术支持和有效

手段,助力水产养殖业者更准确掌握鱼类生长状

况与养殖环境信息,优化养殖策略,提高生产效率

与养殖质量。 未来,在持续优化模型性能的同时,

专注于模型的轻量化设计,旨在提升计算效率与

部署便捷性。 □

参考文献

[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] 裴凯洋,张胜茂,樊伟,等. 基于计算机视觉的鱼类视频跟踪

技术应用研究进展[J]. 海洋渔业, 2022, 44(5):640-647.

88

第 6 期 苏碧仪等:基于 Segformer 与特征融合的水下养殖鱼类图像分割方法

[4] 胡泽涛. 基于深度学习的鱼类识别研究[D]. 青岛:青岛科技

大学. 2023.

[5] 王柯力. 深度学习在渔业图像识别中的应用研究[D]. 上海:

上海海洋大学,2019.

[6] 汤永华,张志鹏,林森,等. 基于深度学习的鱼类识别相关技

术研究现状及展望[J]. 海洋渔业,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] 岳有军,耿连欣,赵辉,等. 基于 ARD-PSPNet 网络下的水下

鱼类图像分割算法研究[ J]. 光电子激光,2022,33 ( 11):

1173-1182.

[9] 王红君,季晓宇,赵辉,等. SENet 优化的 Deeplabv3+淡水鱼

体语义分割[J]. 中国农机化学报, 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:结合可变形卷积和扩散模

型的目标检测方法[ J]. 计算机工程与应用,2024,60(12):

203-215.

[24]覃学标,黄冬梅,宋巍,等. 基于目标检测及边缘支持的鱼类

图像分割方法[J]. 农业机械学报,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

渔 业 现 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 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. 010 开放科学(资源服务)标识码(OSID):

王鑫怡,刘旭腾,郑纪业,等. 基于改进 YOLOv8 的轻量级鱼类检测方法[J]. 渔业现代化,2024,51(6):91-99.

收稿日期:2024-08-29

基金项目:山东省重点研发计划项目“海洋渔业智能装备与大数据平台系统开发及应用(2021TZXD006)”

作者简介:王鑫怡(2002—),女,硕士研究生,研究方向:深度学习农业应用。 E-mail:15615940778@ 163. com

通信作者:郑纪业(1982—),男,博士,副研究员,研究方向:智慧农业。 E-mail:jiyezheng@ 163. com

基于改进 YOLOv8 的轻量级鱼类检测方法

王鑫怡1,5

,刘旭腾2

,郑纪业1,5

,董贯仓3

,于兆慧4

,张霞5

,王兴家1,5

(1 山东省农业科学院农业信息与经济研究所,山东 济南 250100;

2 香港中文大学(深圳),广东 深圳 518172;

3 山东省淡水渔业研究院,山东 济南 250013;

4 山东东润仪表科技股份有限公司,山东 烟台 264003;

5 聊城大学物理科学与信息工程学院,山东 聊城 252000)

摘要:针对鱼类目标检测存在精度低和计算量大的问题,提出了一种基于改进 YOLOv8 模型的轻量化鱼类目

标检测方法 YOLOv8-FCW。 首先,引入 FasterNet 中的 FasterBlock 替换 YOLOv8 中 C2f 模块的 Bottleneck 结

构,减少网络模型的冗余计算;其次,引入注意力机制 CBAM(Convolutional Block Attention Module),实现高效

提取鱼体特征,提升网络模型检测精度;最后,引入动态非单调聚焦机制 WIoU(Wise Intersection over Union)

替代 CIoU(Complete Intersection over Union),加快网络模型的收敛速度,提升网络模型的检测性能。 结果显

示,与原模型相比,改进 YOLOv8-FCW 模型精确率提升了 1. 6 个百分点,召回率提升了 5. 1 个百分点,平均

精确率均值提升了 2. 4 个百分点,权重和计算量分别减少为原模型的 80%和 79%。 该模型具有较高的精确

率和较强的鲁棒性,能够帮助养殖者精确计算鱼群数量,提高养殖效率。

关键词:图像处理;图像识别;目标检测;YOLOv8

中图分类号:S964;TP391. 7 文献标志码:A 文章编号:1007-9580(2024)06-0091-009

中国是世界渔业大国,水产养殖产量占世界

养殖总产量的 2 / 3。 鱼类不仅为人们提供了大量

优质蛋白质,还为国家粮食安全提供了重要保

障[1-3]

。 目前,工业化养殖正朝着精准养殖的方

向发展[4]

,而目标检测技术是精准养殖的基础。

近年来,随着深度学习技术的兴起,卷积神经网络

(CNN)

[5-7]在不同的领域和任务中发挥着重要作

用, 涌 现 出 Faster R - CNN

[8-10]

、 YOLO

[11-15] 和

SSD

[16-19]等系列目标检测算法。

深度学习技术的发展为鱼类目标检测提供了

新思路,国内外学者正在利用深度学习技术对鱼

类进行目标检测。 如李庆忠等[20] 提出了基于改

进 YOLO 和迁移学习的水下鱼类目标实时检测算

法,针对 YOLO 网络结构计算量冗余的问题,提出

了适合水下机器人嵌入式系统的精简 YOLO 结

构,可以完成水下鱼类目标的实时检测任务,同时

使用迁移学习方法训练网络结构,解决了海底鱼

类已知样本集有限的问题。 袁红春等[21] 提出了

一种基于 Faster R-CNN 二次迁移学习和带色彩

恢复的多尺度视网膜增强算法(MSRCR),克服了

水下鱼类图像样本量不足的问题,并且实现了对

水下低清晰度图像中鱼类的快速检测。 张明华

等[22]针对夜晚水下鱼类目标检测场景提出了一

种基于改进 Cascade R-CNN 算法和具有色彩保

护的 MSRCP 图像增强算法,实现了夜晚水下图

像中鱼类目标的快速检测,准确率达到 95. 81%,

比 Cascade R-CNN 方法提高了 11. 57%。 陈露露

等[23]提出了一种基于 YOLOv5 和膨胀卷积的目

标检测网络,该算法在自建数据集上 mAP 达到

81. 5%, 相 较 于 原 始 的 YOLOv5s 算 法 提 升 了

1. 5%。 闫党康[24] 提出了一种基于改进的 Mask

R-CNN 的鱼类识别算法模型,改进的鱼类识别算

渔 业 现 代 化 2024 年

法的平均精度均值为 87. 4%,相对于基线算法模

型精度提升了 3. 6%。 针对 YOLOv7 模型复杂度

高、计算量大、对硬件设备要求苛刻等问题,梅海

彬等[25] 提出了一种基于 YOLOv7 的轻量级鱼类

实时检测模型 YOLOv7 -MRN,该模型的 mAP @

0. 5 为 86. 5%, 运算量仅为原模型 YOLOv7 的

9. 8%,在 GPU 和 CPU 上的推理速度分别提高了

121. 69%和 219. 09%。 岳凯等[26] 提出了一种基

于改进 YOLOv8n 的复杂环境下柑橘识别算法模

型,针对模型计算复杂度高、参数大等问题,设计

了 ME 卷积模块,并且使用它改进了 YOLOv8n 的

C2f 模块,模型大小和参数量相比于原模型分别

降低了 3. 3%和 4. 3%。

以上基于卷积神经网络的鱼类目标检测方法

为实现精准养殖提供了新思路和新方法,但目前

多数鱼类目标检测方法存在不能平衡好计算复杂

度、检测速度和检测精度的问题。 为了能够有效

地解决当前网络对鱼类进行目标检测时存在的精

度低和计算量大的问题,本研究提出了一种基于

改进 YOLOv8 模型的轻量化鱼类目标检测方法

YOLOv8-FCW。

1 材料与方法

1. 1 数据集建立

本研究中的数据集由 1 000 幅网络搜集的真

实养殖环境下鱼类图像构成,鱼类品种丰富,共有

10 种鱼类,每种鱼类的图片为 100 张,且多数图片

包含多条鱼,其中,将所搜集的 1 000 幅图像按照

8 ∶ 1 ∶ 1 的比例分为训练集、验证集、测试集,进行

鱼类目标检测。 图 1 为包含不同环境背景、不同种

类、不同数量的鱼类样本,复杂环境背景及多种类、

数量数据集,有助于提高模型的泛化能力。

图 1 鱼类样本

Fig. 1 Fish samples

采用 Label Img 软件标注鱼类图像数据集,生

成具有标注形式的 xml 类型文件,再转换为 txt 类

型文件。 其中,将鱼类类别标签设定为 fish。 在

进行数据集标注时遵循以下原则:1)所标注的框

尽量贴合鱼类;2) 将图像中被遮挡但遮挡不足

2 / 3 的鱼类进行标注;3)将遮挡大于 2 / 3 的鱼类

不进行标注。 当鱼类被遮挡大于 2 / 3 时,其暴露

在外的部分可能无法准确代表整体,如果强行标

注,容易导致标注错误。 这种错误的标注会对模

型训练产生负面影响,使模型学习到错误的特征。

1. 2 鱼类目标检测方法

1. 2. 1 YOLOv8 卷积神经网络模型

YOLOv8 在保持 YOLO 系列一贯的高效和准

确特点的同时,引入了许多创新点,使其在目标检

测、 实 例 分 割 和 图 像 分 类 任 务 中 表 现 出 色。

YOLOv8 网络结构由头部网络(Head)、主干网络

(Backbone )、 颈 部 网 络 ( Neck ) 三 部 分 组 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

复杂性。 YOLOv8 的 Neck 部分也进行了优化,移

除了 1∗1 降采样层,保留了 PAN 结构。 Head 部

分从 Anchor-Based 改为 Anchor-Free,减少了预

测框的 数 量, 加 速 了 非 极 大 值 抑 制 ( NMS ) 的

过程。

1. 2. 2 网络模型的改进

为了实现模型轻量化和检测精度高并存的目

标,本研究在 YOLOv8 的基础上,引入 FasterBlock

到 C2f 模块,添加注意力机制 CBAM,替换损失函

数为 WIoU。 改进后的 YOLOv8-FCW 结构如图 2

所示。

本研究主要从以下 3 个方面改进:

1) C2f-Faster 模块

YOLOv8 采用的 C2f 模块中含 Bottleneck 结

构,如图 3 所示。 Bottleneck 模块可以提高网络训

练速度并提升特征提取能力,但 YOLOv8 中使用

了过多的串联 Bottleneck 结构,带来了大量的计

算开销,同时也导致了通道信息的过度冗余。 目

前,MobileNet

[27]

、ShuffleNet

[28]和 GhostNet

[29]等利

用深度卷积或组卷积来提取空间特征,减少了模

型的计算量和内存消耗。 但是存在的弊端是在减

少浮点运算数(FLOPs)的过程中,算子也受到了

内存访问增加的影响。 随后 MicroNet 进一步分解

92

第 6 期 王鑫怡等:基于改进 YOLOv8 的轻量级鱼类检测方法

图 2 YOLOv8-FCW 网络结构图

Fig. 2 YOLOv8-FCW network structure

和稀疏网络,将 FLOPs 降至极低水平,但碎片计

算导致效率低下。 FasterNet 是为了提升网络的推

理速度而设计的一种新型的神经网络结构,主要

利用部分卷积( PConv) 和逐点卷积( PWConv) 技

术,部分卷积(PConv)通过同时减少冗余的计算

和内存访问,比其他网络在各种视觉任务上实现

了更高的运行速度,同时精确率没有降低。 因此,

本 研 究 采 用 FasterNet 中 的 FasterBlock 替 换

YOLOv8 的 C2f 中 Bottleneck 模块,实现网络结构

的轻量化。

C2f-Faster 模块结构如图 4 所示。 图 3 Bottleneck 结构图

Fig. 3 Bottleneck structure

93

渔 业 现 代 化 2024 年

图 4 C2f-Faster 模块结构图

Fig. 4 Structure diagram of the C2f-Faster module

2) 注意力机制 CBAM

鱼类真实养殖环境情况复杂,为了抑制复杂

背景特征对检测的干扰并提高特征提取能力,在

YOLOv8 的特征提取层嵌入 CBAM(Convolutional

Block Attention Module),提高模型的检测精度。

CBAM 由通道注意力模块(Channel Attention

Module) 和 空 间 注 意 力 模 块 ( Spatial Attention

Module)组成,CBAM 模型结构如图 5 所示。

通道注意力模块的输出 MC(F)

[30] 可以通过

以下公式计算:

MC(F) = σ(MLP(AvgPool(F)) +

MLP(MaxPool(F))) (1)

式中:F 是输入特征图,AvgPool 和 MaxPool 分别

表示全局平均池化和最大池化操作,MLP 表示多

层感知机,σ 表示 Sigmoid 激活函数。 通道注意力

机制模块图如图 6 所示。

空间注意力模块的输出Ms(F)

[30] 可以通过

以下公式计算:

Ms(F) = σ(f

7∗7

([AvgPool(F);MaxPool(F)]))

(2)

式中:f

7∗7表示一个 7∗7 的卷积操作,[AvgPool

(F);MaxPool(F)] 表示将平均池化和最大池化

结果沿通道轴拼接起来。 空间注意力模块图如图

7 所示。

CBAM 通过结合通道注意力和空间注意力,

实现了对输入特征的双重精炼。 这种设计使模型

能够同时关注哪些通道和哪些空间位置是有意义

的,从而提高了模型的表征能力和决策准确性,使

网络能够准确地捕捉到目标的重要特征,从而实

现对于鱼体特征的高效提取,削弱了水下环境的

背景干扰。

Convolutional Block Attention Module





  

图 5 CBAM 模块图

Fig. 5 CBAM module diagram

Channel Attention Module

 F

 

 Mc

MaxPool

AvgPool Shared MLP

图 6 通道注意力机制模块图

Fig. 6 Diagram of the channel attention mechanism module

94

第 6 期 王鑫怡等:基于改进 YOLOv8 的轻量级鱼类检测方法

Spatial Attention Module

MaxPool, Avgpool

Conv

layer

 F’

 

 Ms

图 7 空间注意力机制模块图

Fig. 7 Diagram of the spatial attention mechanism module

3)损失函数 WIoU

YOLOv8 网络预测边框坐标损失 LCIoU 采用的

是 CIoU,其计算如式 ( 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 为权重函数,用于平衡不同样本或目标之

间的重要性,从而更精确地衡量模型性能。 v 为

纵横比度量函数,用于衡量高宽比一致性。 CIoU

损失函数引入了修正因子使模型更容易捕捉目标

的准确形状。 也考虑了目标框的对角线距离,提

高了目标检测模型在定位目标时的精度。 同时,

CIoU 将边界框的纵横比作为惩罚项加入边界框

损失函数中,一定程度上可以加快预测框的回归

收敛过程,但是一旦收敛到预测框和真实框的宽

和高呈现线性比例时,就会导致预测框回归时的

宽和高不能同时增大或者减小。

本研究选择用动态非单调聚焦机制 WIoU 替

代 CIoU,WIoU 的计算公式如式(7)

[31]所示。

LWIoU

= rRWIoULIoU,RWIoU ∈[1,e),LIoU ∈[0,1]

(7)

式中:距离聚焦机制 RWIoU 用于放大普通适量锚

框的 LIoU,并且 RWIoU∈[1,e),将会显著放大 LIoU。

非单调聚焦系数 r 用于聚焦普通质量的锚框。 非

单调聚焦系数是一种用于调整预测框和真实标注

框之间匹配程度的系数。 与单调聚焦系数不同,

非单调聚焦系数允许在不同 IoU 值范围内对匹配

程度进行动态调整,从而更精细地评估模型性能。

RWIoU 的定义如式(8)

[31]

,r 定义如式(9)

[31]

。

RWIoU

= exp(

(x -xgt)

2 +(y -ygt)

2

(W

2

g

+H

2

g )

) (8)

r =

β

δα

β-δ

(9)

其中离群度 β =

LIoU

LIoU

- ∈[0,+∞ ],LIoU

-

表示动态

滑动平均值,当动态滑动平均值较大时,会导致参

数更新缓慢,使得边界框回归的结果过于保守,难

以适应目标的位置变化,从而使得检测框偏离目

标的真实位置。 当动态滑动平均值较小时,可能

会导致参数更新过于敏感,使得边界框回归的结

果波动较大,导致检测框在目标周围波动,并且无

法稳定地捕捉到目标的准确位置。 因此,要选择

合适的动态滑动平均值来保持检测框的准确性和

稳定性。 以确保边界框能够准确地回归到目标的

位置。 α,δ 表示超参数,调节超参数可以提高模

型的性能和泛化能力。

与 CIoU 相比,WIoU 不仅去除了纵横比惩罚

项,而且允许使用非单调聚焦系数来动态调整匹

配程度的权重,更好地帮助评估目标检测模型的

性能并且优化模型表现。 因此,采用 WIoU 作为

损失函数,提高了模型对鱼类的检测能力。

2 结果与分析

2. 1 其他轻量化网络对比

以 YOLOv8 网络为基础网络,保持除主干网

络外其他参数一致,使用 MobileNetV3、GhostNet、

ShuffleNetV2 替换轻量化特征提取主干网络,对比

不同主干网络的训练结果。

95

渔 业 现 代 化 2024 年

结果 如 表 1 所 示, 相 较 于 MobileNetV3、

GhostNet、ShuffleNetV2 改进方法,C2f-Faster 改进方

法在训练精确率(P)、召回率(R)、平均精确率

(mAP)3 个方面均优于其他网络。 虽然 ShuffleNetV2

和 GhostNet 的权重小于 C2f-Faster 的权重,但是两

个模型的特征提取能力较差,不能满足本研究的

要求,因此决定采用 C2f-Faster 改进方法。

表 1 主干网络的训练结果

Tab. 1 Training results of the backbone network

主干网络 P/ % R/ % mAP/ %

计算量/

GB

权重/

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 损失函数对比

YOLOv8 目标检测模型的边框回归损失函数

是 CIoU,但 CIoU 损失函数的计算相对复杂,需要

计算角度差异、中心点之间的距离以及宽高比等

指标,这可能会导致训练过程的计算速度变慢。

并且在目标检测任务中存在大量遮挡或者尺度差

异的情况下,CIoU 损失函数不如其他损失函数稳

定。 试验对比了 YOLOv8 模型采用 CIoU、DIoU、

GIoU、WIoU 损失函数的收敛情况,试验结果如图

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 图 8 改进损失函数对比

Fig. 8 Comparison of improved loss functions

由图 8 可知,采用 GIoU 时,收敛后的损失值

最高,并且收敛速度较慢。 采用 DIoU 时,收敛后

的损失值略低于 GIoU。 采用 CIoU 时,收敛后损

失值略低于 DIoU。 但两者的收敛速度都高于

GIoU。 采用 WIoU 后,在前 10 轮迭代周期快速收

敛,并且收敛后损失值远低于另外 3 种损失函数。

2. 3 消融试验

为了验证各改进模块在鱼类检测上的有效

性,以 YOLOv8 为基线网络,对各改进模块进行消

融试验,主要以精确率、召回率和平均精确率均值

作为参考指标。

由表 2 可知,与试验 1 相比,试验 2 添加了

CBAM 作为注意力机制,模型精确率提高 2. 3 个

百分点,召回率提高 3. 1 个百分点,平均精度均值

提高 3. 7 个百分点,表明添加了 CBAM 注意力机

制的模型更加关注和强调了重要的特征信息,并

且在处理图像时更具有针对性和专注性,减少了

复杂背景对于鱼类目标检测的干扰。 也表明

CBAM 注意力机制可以帮助模型在训练和推理过

程中更好地利用和整合输入的特征信息,从而提

升模型对于关键特征的提取和利用能力。 试验 3

在试验 1 的基础上替换了 WIoU 作为损失函数,

精确率提高了 2. 1 个百分点,召回率提高了 3. 8

个百分点,平均精度均值提高了 1. 9 个百分点,表

明模型在训练中更加注重目标的边界预测和重叠

部分的处理,从而使得模型在目标检测任务中能

够更准确地定位和识别目标,进而提高了模型整

体的表现。 试验 4 将损失函数 WIoU 和注意力机

制 CBAM 结合,精确率、召回率、平均精确率均值

与原模型相比分别提高 2. 4、4. 7、3. 1 个百分点。

试验 5 将试验 1 原模型中的 C2f 替换成了 C2fFaster,对模型进行了轻量化,将模型的计算量和

权重都减小为原模型的 78%。 但精确率和召回

率有所下降,其原因是 FasterBlock 是 FasterNet 的

核心组件,旨在通过部分卷积操作减少冗余计算

和内存访问,但是这也就可能造成了少量特征的

丢失,导致精确率和召回率下降。 为了弥补模型

轻量化带来的损失,试验 6 和试验 7 都在试验 5

的基础上分别添加了损失函数 WIoU 和注意力机

制 CBAM,结果表明,精确率、召回率、平均精确率

均值都分别有所提升。 所以,试验 8 将两者都添

加,由结果可知,与原模型相比,精确率提升了

1. 6 个百分点,召回率提升了 5. 1 个百分点,平均

96

第 6 期 王鑫怡等:基于改进 YOLOv8 的轻量级鱼类检测方法

精确率均值提升了 2. 4 个百分点,权重和计算量

分别减少为原模型的 80%和 79%。 图 9 展示了

不同环境、不同种类的鱼类目标检测的识别效果,

基本满足鱼类精准养殖的要求。

表 2 消融试验结果

Tab. 2 Results of ablation experiments

试验编号 基线网络 C2f-Faster CBAM WIoU

精确率

P/ %

召回率

R/ %

平均精确率

mAP/ %

权重 /

MB

计算量/

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:√表示使用该模块;×表示不使用该模块

图 9 鱼类目标检测效果图

Fig. 9 Effect of fish target detection

3 结论

提出了一种基于改进 YOLOv8 的轻量级鱼类

检测 方 法 模 型。 模 型 引 入 FasterBlock 替 换

YOLOv8 的 C2f 中 Bottleneck 模块构成 C2f-Faster

模块,实现模型轻量化;引入了 CBAM 注意力机

制,增强了特征表达能力,减少了复杂背景对鱼类

目标检测的干扰,解决了模型轻量化带来的精确

率损失、遮挡问题;最后,将损失函数 CIoU 更改为

WIoU,提升了模型的性能和泛化能力。 消融试验

结果表明,与传统的轻量化主干网络相比,改进后

模型的权重下降为原模型的 80%,精确率提高了

1. 2 个百分点; 3 项改进有效地解决了计算复杂

度、检测速度和检测精度不平衡问题。 相比于原

始 YOLOv8 模型,该模型在平均精确率 mAP 上提

高了 2. 4 个百分点。 与现有的鱼类目标检测模型

相比,该模型能够较为准确和快速地完成目标检

测任务。 本研究提出的 YOLOv8-FCW 模型,具有

很好的检测效果,同时运算量较小,检测速度较

快,能够以较小的计算资源成本完成养殖环境中

的鱼类目标检测任务,适合部署在大多数的养殖

环境中。 □

参考文献

[1] 莽琦,徐钢春,朱健,等. 中国水产养殖发展现状与前景展望

[J]. 渔业现代化,2022,49(2):1-9.

[2] 刘永新,刘晃,方辉,等. 中国深蓝渔业发展现状与未来愿景

[J]. 水产学报,2022,46(4):706-717.

[3] 张谥卓,杨子江,于书洲. 日本蓝鳍金枪鱼养殖业发展战略分

析及对 我 国 的 启 示 [ J ]. 南 方 农 业 学 报, 2023, 54 ( 9 ):

2811-2820.

[4] 李道亮,刘畅. 人工智能在水产养殖中研究应用分析与未来

展望[J]. 智慧农业(中英文),2020,2(3):1-20.

[5] 耿艳利,宋朋首,林彦伯,等. 采用改进 CNN 对生猪异常状态

声音识别[J]. 农业工程学报,2021,37(20):187-193.

[6] 樊湘鹏,许燕,周建平,等. 基于迁移学习和改进 CNN 的葡萄

叶部病 害 检 测 系 统 [ J ]. 农 业 工 程 学 报, 2021, 37 ( 6 ):

151-159.

[7] 刘洋,冯全,王书志. 基于轻量级 CNN 的植物病害识别方法

及移动端应用[J]. 农业工程学报,2019,35(17):194-204.

[8] 杜芸彦,杨锦辉,李鸿,等. 基于改进 Faster RCNN 的少样本

目标检测算法[J]. 电光与控制,2023,30(5):44-51.

[9] 毛锐,张宇晨,王泽玺,等. 利用改进 Faster-RCNN 识别小麦

条锈病和黄矮病[J]. 农业工程学报,2022,38(17):176-185.

[10]谭鹤群,李玉祥,朱明,等. 通过图像增强与改进 Faster-RCNN

97

渔 业 现 代 化 2024 年

网络的重叠鱼群尾数检测 [ J]. 农业工程学报, 2022, 38

(13): 167-176.

[11]吴坚,秦玉广. 基于改进 YOLOv5 的农田苗草检测方法[ J].

江苏农业科学, 2024, 52 (13): 197-204.

[12]李丽,梁继元,张云峰,等. 基于改进 YOLOv5 的复杂环境下

柑橘目标精准检测与定位方法[ J]. 农业机械学报, 2024,

55 (8): 280-290.

[13]苗荣慧,李港澳,黄宗宝,等. 基于 YOLOv7-ST-ASFF 的复杂

果园环境下苹果成熟度检测方法[ J]. 农业机械学报,2024,

55 (6): 219-228.

[14]张佳泽,张胜茂,樊伟,等. 基于 YOLOv5 改进模型的丁香鱼

围网作 业 目 标 检 测 研 究 [ J ]. 海 洋 渔 业, 2023, 45 ( 5 ):

618-630.

[15]唐鲁婷,黄洪琼. 基于 YOLOv7 的轻量化水下目标检测算法

[J]. 电光与控制, 2024, 31 (9): 92-97.

[16]李娟莉,魏代良,李博,等. 基于深度学习轻量化的改进 SSD

煤矸快速分选模型[J]. 东北大学学报(自然科学版),2023,

44 (10):1474-1480.

[17]李静,喻佳成,张灵灵. 基于改进 SSD 的航拍飞机目标检测

方法[J]. 液晶与显示,2023,38(1):128-137.

[18]胡凯,骆润玫,刘泽乾,等. 基于改进 SSD 的广佛手病虫害检

测方法[J]. 南京农业大学学报,2023,46(4):813-821.

[19]蒋晨,钱永明,姚兴田,等. 基于可变形卷积改进 SSD 算法的

目标检测方法[J]. 电子测量技术,2022,45(16):116-122.

[20]李庆忠,李宜兵,牛炯. 基于改进 YOLO 和迁移学习的水下鱼

类目标实时检测[ J]. 模式识别与人工智能,2019,32 ( 3):

193-203.

[21]袁红春,张硕. 基于 Faster R-CNN 和图像增强的水下鱼类目

标检测方法[J]. 大连海洋大学学报,2020,35(4):612-619.

[22]张明华,龙腾,宋巍,等. 基于改进 Cascade R-CNN 和图像增

强的夜 晚 鱼 类 检 测 [ J ]. 农 业 机 械 学 报, 2021, 52 ( 9 ):

179-185.

[23]陈露露,臧兆祥,黄天星. 基于 YOLOv5 和膨胀卷积的鱼类目

标检测算法[J]. 长江信息通信,2022,35(7):63-66.

[24]闫党康. 基于改进的 Mask R-CNN 的鱼类识别算法研究

[J]. 计算机与数字工程,2023,51(6):1238-1243.

[25]梅海彬,黄政,袁红春. 基于 YOLOv7 模型改进的轻量级鱼类

目标检 测 方 法 [ J ]. 大 连 海 洋 大 学 学 报, 2023, 38 ( 6 ):

1032-1043.

[26]岳凯,张鹏超,王磊,等. 基于改进 YOLOv8n 的复杂环境下柑

橘识别[J]. 农业工程学报,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]曹静雯,孟娟,朱珈缘,等. 基于 YOLOv7 的轻量级鱼类目标

检测算法[J]. 现代电子技术, 2024, 47 (11): 78-83.

[31]李茂 ,肖洋轶 ,宗望远 ,等. 基于改进 YOLOv8 模型的轻量

化板栗果实识别方法[ J]. 农业工程学报, 2024, 40 ( 1):

201-209.

98