基于前后端生成概率密度图模型的虾苗自动计数

蔡润基, 彭小红, 叶双福, 张天晨, 高月芳, 吕俊霖

蔡润基, 彭小红, 叶双福, 张天晨, 高月芳, 吕俊霖. 基于前后端生成概率密度图模型的虾苗自动计数[J]. 南方水产科学, 2025, 21(1): 173-184. DOI: 10.12131/20240212
引用本文: 蔡润基, 彭小红, 叶双福, 张天晨, 高月芳, 吕俊霖. 基于前后端生成概率密度图模型的虾苗自动计数[J]. 南方水产科学, 2025, 21(1): 173-184. DOI: 10.12131/20240212
CAI Runji, PENG Xiaohong, YE Shuangfu, ZHANG Tianchen, GAO Yuefang, LYU Junlin. Automatic counting of shrimp larvae based on probability density map model generated from front end and back end[J]. South China Fisheries Science, 2025, 21(1): 173-184. DOI: 10.12131/20240212
Citation: CAI Runji, PENG Xiaohong, YE Shuangfu, ZHANG Tianchen, GAO Yuefang, LYU Junlin. Automatic counting of shrimp larvae based on probability density map model generated from front end and back end[J]. South China Fisheries Science, 2025, 21(1): 173-184. DOI: 10.12131/20240212

基于前后端生成概率密度图模型的虾苗自动计数

基金项目: 农业财政专项项目 (NFZX2021);广东省对虾现代种业智慧平台 (2022GCZX001);对虾智慧繁育关键技术研究与应用示范 (2023ZDZX4012)
详细信息
    作者简介:

    蔡润基 (1998—),男,助教,硕士,研究方向为海洋牧场水产养殖。E-mail: junnkidesu@gdou.edu.cn

    通讯作者:

    吕俊霖 (1978—),男,副研究员,硕士,研究方向为渔业信息化。E-mail: lvjunlin@scsfri.ac.cn

  • 中图分类号: TP 391.41

Automatic counting of shrimp larvae based on probability density map model generated from front end and back end

  • 摘要:

    虾苗计数是虾类养殖与销售中生物量估算的基本操作,对养殖管理和提高产量至关重要。由于受虾苗体型小、遮挡严重以及密集程度不一等因素影响,现有的自动计数方法难以在一定密度下准确计数。基于此,提出了一种基于贝叶斯概率分布的前后端结合计数网络 (Shrimp counting, SC) 模型,用于解决虾苗计数问题。该模型主要由前端模块、注意力模块和后端模块构成。首先,使用前端模块提取具有判别性的表型特征,并采用注意力模块对特征进行重组,以提升对图像的局部注意力;随后,使用后端模块生成虾苗分布预测概率密度图;最后,通过贝叶斯损失函数对模型进行参数调整,以提升虾苗计数的精确度。为了验证方法的有效性,构建了一个包含2种不同密度的虾苗计数数据集,并在该数据集上进行了多组实验对比。结果显示,总体准确率可达93.325%,平均绝对误差和均方误差分别为96.304和154.567。与现有主流的计数方法 [布莱克-利特曼模型 (Black-Litterman, BL)、人群密度估计网络 (Contextual Scene Recognition Network, CSR-Net)、多维注意力增强人群计数模型 (Boosting Crowd Counting via Multifaceted Attention, BCCMA)] 相比,SC模型准确率最高、误差最小。该模型适用于孵化场、销售和养殖入塘等多场景的虾苗自动计数。

    Abstract:

    Shrimp larval counting is a fundamental operation for biomass estimation in shrimp farming and sales, and it is crucial for aquaculture management and yield enhancement. Due to the factors such as small size of shrimp larvae, significant occlusion, and varying density, the current automated counting methods are difficult to achieve accurate larval counting at certain densities. To address this issue, we propose a shrimp counting (SC) model for shrimp larval counting which combined frontend and backend counting network based on Bayesian probability distribution. This model primarily consists of a frontend module, an attention module and a backend module. The frontend module first extracts discriminative phenotypic features, while the attention module reorganizes these features to enhance local attention to the images. Secondly, the backend module generates a predicted probability density map for shrimp larval distribution. Thirdly, the Bayesian loss function is utilized to adjust the model parameters and improve the accuracy of shrimp larval counting. To validate the effectiveness of the proposed method, we constructed a shrimp larval counting dataset with two different density conditions and conducted multiple experimental comparisons on the dataset. The overall accuracy reached 93.325%, with mean absolute error and mean squared error being 96.304 and 154.567, respectively. Compared with the current mainstream counting methods [Black-Litterman (BL), Contextual Scene Recognition Network CSR-Net), Boosting Crowd Counting via Multifaceted Attention BCCMA], the proposed model exhibits the highest accuracy and the lowest loss. It applies to automated shrimp larval counting in hatcheries, sales and stocking scenarios.

  • 坛紫菜 (Pyropia haitanensis) 是红藻类海洋植物,是中国特有的暖温带紫菜栽培品种,也是目前国内主要的养殖紫菜品种,年产量约占全国紫菜总产量的75%[1],主要分布在福建、浙江和广东东部沿海一带[2]。据记载,紫菜不仅有治疗“病瘿瘤香港脚者”及清热利咽等功效[3],而且是一种富含蛋白质、糖类化合物及人体必需微量元素等味美可口的食材[4-5],现已成为国内海藻研究的热点之一。

    近年来,国内已有对坛紫菜多种营养成分的基础分析[6-10],及其多糖、藻红蛋白等生理活性物质抗氧化、抗肿瘤、抗衰老等功能的活性研究[11-16],但多集中在少数几种营养成分上,尚未见有全国范围内全面、系统的营养分析报道。2017年发生的“塑料紫菜风波”事件[17-18],更是反映出消费者对坛紫菜缺乏认知,对国内紫菜行业和产业造成巨大冲击。因此,本实验采集了来自广东、福建、浙江三省6个产地的头水坛紫菜,较为全面、系统地分析比较了不同产地坛紫菜的营养差异状况,以期了解国内各地坛紫菜的营养分布优势,为坛紫菜产业发展、产品分级提供科学依据。

    头水坛紫菜干品购自汕头市佳盛副食品有限公司,来源为广东的南澳和莱芜,福建的东山、漳浦和霞浦以及浙江的温州6个养殖海域,干样品常温遮光密封保存。

    KjeltecTM2300蛋白自动分析仪 (丹麦FOSS公司);SoxtecTM脂肪自动分析仪 (丹麦FOSS公司);Agilent 7900电感耦合等离子体质谱仪 (美国Agilent公司);Waters UPLC超高效液相色谱仪 (美国Waters公司);S-433D氨基酸自动分析仪 (德国SYKAM公司);Milli-Q超纯水制备系统 (美国Millipore公司)。

    坛紫菜中水分、灰分、粗脂肪、粗蛋白含量的测定参照刘欢等[19],游离氨基酸的测定参照杨贤庆等[20],色氨酸的测定参照叶蕾等[21];矿物元素的测定参照李梁等[22]

    根据FAO/WHO提供的理想蛋白质中必需氨基酸含量的模式及评分标准[23]和中国预防医学科学院营养与食品卫生研究所提出的鸡蛋蛋白质模式[24],分别计算坛紫菜的氨基酸评分 (amino acid score,AAS)[25]、化学评分 (chemical sore,CS)[25]和必需氨基酸指数 (essential amino acid index,EAAI)[26]。计算公式为:

    $$ \mathrm{AAS}=\frac{P}{A} $$
    $$ \mathrm{CS}=\frac{P}{S} $$
    $$ {\rm{EAAI}}=\sqrt[n]{\frac{P_{\rm T h r} \times P_{\rm V a l} \times \cdots \times P_{\rm M e t}}{S_{\rm T h r} \times S_{\rm V a l} \times \cdots \times S_{\rm M e t}}} \times 100 $$

    式中P为样品中某必需氨基酸(N)质量分数 (mg∙g–1);A为FAO/WHO标准模式中对应的必需氨基酸(N)质量分数 (mg∙g–1);S为鸡蛋蛋白质中对应的必需氨基酸(N)质量分数 (mg∙g–1);n为参与比较的必需氨基酸个数。

    采用IBM SPSS Statistics 24.0软件进行差异显著性分析 (P<0.05)。

    6个产地的坛紫菜水分质量分数比较显示 (图1-a),坛紫菜水分质量分数为9.68%~12.31%,由低到高依次为东山<漳浦<温州<霞浦<南澳<莱芜;产地间存在显著差异 (P<0.05);其中广东南澳和莱芜两地与其他四地之间的差异尤为显著,究其原因,与紫菜干制方法有关。南澳和莱芜惯用传统日晒方式干制坛紫菜,而福建和浙江已普遍使用机械采收和机器干燥。

    图  1  不同产地坛紫菜水分、灰分、蛋白质质量分数
    柱上不同字母表示差异显著(P<0.05)
    Figure  1.  Moisture, ash and protein contents of P. haitanensis in different breeding areas
    Different letters on the column indicate significant difference (P<0.05).

    6个产地的坛紫菜灰分质量分数 (干基,下同) 为 7.85%~9.55% (图1-b),含量较高,由低到高依次为东山<漳浦<莱芜<南澳<温州<霞浦,表明坛紫菜中矿物质含量丰富。根据产地间差异显著性分析结果 (P<0.05),将6个产地分为3组:位于最北部的温州和霞浦为第一组,灰分含量最高;位于最南端的莱芜和南澳为第二组,灰分含量次之;东山和漳浦为第三组,灰分含量最低。

    6个产地的坛紫菜粗脂肪质量分数均不足0.5%,说明坛紫菜中脂肪含量非常低。

    6个产地的坛紫菜中蛋白质质量分数为33.40%~36.38% (图1-c),含量较高,由低到高依次为莱芜<南澳<温州<东山<漳浦<霞浦,产地间存在显著差异 (P<0.05),根据差异显著性可将6个产地分为3组:漳浦和霞浦为第一组,蛋白质含量最高;温州和东山为第二组,含量次之;南澳和莱芜为第三组,含量最低。

    6个产地的坛紫菜中均含有至少17种氨基酸,其氨基酸总量 (total amino acid,TAA) 为 30.15%~32.41%;17种氨基酸中,谷氨酸含量最高,蛋氨酸最低。6个产地中莱芜坛紫菜的TAA最高,而南澳和温州相同且最低 (表1)。

    表  1  不同产地坛紫菜的氨基酸质量分数及组分构成 (干基)
    Table  1.  Amino acid composition and content of P. haitanensis in different breeding areas (dry mass) %
    氨基酸
    amino acid
    南澳
    Nan'ao
    莱芜
    Laiwu
    东山
    Dongshan
    漳浦
    Zhangpu
    霞浦
    Xiapu
    温州
    Wenzhou
    谷氨酸 Glu 3.54 3.84 3.70 3.56 3.80 3.54
    天冬氨酸 Asp 3.35 3.45 3.18 3.17 3.33 3.08
    丙氨酸 Ala 3.25 3.47 3.41 3.39 3.45 3.28
    亮氨酸* Leu 2.46 2.59 2.59 2.59 2.52 2.49
    缬氨酸* Val 2.05 2.21 2.10 2.10 2.09 2.07
    甘氨酸 Gly 2.01 2.23 2.03 2.01 2.08 2.02
    赖氨酸* Lys 1.97 2.29 2.08 2.05 2.25 2.11
    精氨酸# Arg 1.98 2.26 2.14 2.14 2.08 2.05
    苏氨酸* Thr 1.76 1.81 1.73 1.70 1.81 1.75
    丝氨酸 Ser 1.72 1.78 1.75 1.71 1.73 1.65
    脯氨酸 Pro 1.31 1.43 1.37 1.37 1.38 1.30
    苯丙氨酸* Phe 1.29 1.37 1.36 1.36 1.36 1.34
    异亮氨酸* Ile 1.23 1.32 1.32 1.30 1.26 1.22
    酪氨酸 Tyr 1.04 1.20 1.22 1.25 1.03 1.20
    组氨酸# His 0.43 0.48 0.47 0.47 0.46 0.46
    色氨酸* Trp 0.41 0.40 0.41 0.33 0.33 0.31
    蛋氨酸* Met 0.34 0.27 0.39 0.42 0.20 0.30
    氨基酸总量 TAA 30.15 32.41 31.23 30.91 31.15 30.15
    必需氨基酸总量 EAA 11.52 12.27 11.98 11.85 11.81 11.59
    非必须氨基酸 NEAA 18.63 20.14 19.25 19.06 19.34 18.56
    EAA/TAA 38.20 37.86 38.36 38.35 37.91 38.43
    EAA/NEAA 61.81 60.92 62.22 62.20 61.07 62.42
    注:*. 必需氨基酸;#. 条件性必需氨基酸 Note: *. essential amino acid; #. conditionally essential amino acid
    下载: 导出CSV 
    | 显示表格

    6个产地的坛紫菜中均含8种必需氨基酸 (essential amino acid,EAA),EAA质量分数为11.52%~12.27%,约占TAA的38%,与非必需氨基酸 (nonessential amino acid,NEAA) 含量比值均略高于60%。根据1973年FAO/WHO推荐的理想蛋白质模式 (蛋白质的氨基酸组成中EAA/TAA在40%以上、EAA/NEAA在60%以上时蛋白质质量较好[27]),各地坛紫菜的EAA/TAA均接近且低于40%,只有EAA/NEAA满足要求,可见坛紫菜的蛋白质质量略有不足。EAA中,含量最高的是亮氨酸,其次是缬氨酸,最低的是蛋氨酸。6个产地中,单论EAA 含量,南澳最低,莱芜最高;单论EAA/TAA或EAA/NEAA,均为莱芜最低,温州最高。

    此外,坛紫菜中还含有幼儿生长必需的条件性必需氨基酸 (组氨酸和精氨酸),且精氨酸质量分数较高 (1.98%~2.26%)。

    各地坛紫菜中,鲜味氨基酸谷氨酸和天冬氨酸约占TAA 的22%,甜味氨基酸甘氨酸、丙氨酸、脯氨酸、苏氨酸和丝氨酸等约占TAA的33%,再加上其他呈味氨基酸蛋氨酸[28],呈味氨基酸总量约占TAA 的60%,因此坛紫菜具有浓厚的海鲜味,尤其是甜味和鲜味较重,是非常优质的天然调味剂。

    各产地坛紫菜氨基酸评分 (AAS、CS和EAAI) 结果见表2。总体上不同产地坛紫菜的各种EAA营养评分均偏低,其中AAS最高值为0.45,CS最高值为0.39,两者均远小于1;EAAI最高值仅为24.35,远低于100;说明各产地坛紫菜的氨基酸营养价值偏低,同海带 (Laminaria japonica) 氨基酸营养评分较低这一结论相似[29]

    表  2  不同产地坛紫菜的氨基酸评分
    Table  2.  Amino acid nutrition evaluation of P. haitanensis in different breeding areas
    评分方法
    evaluation method
    氨基酸
    amino acid
    南澳
    Nan'ao
    莱芜
    Laiwu
    东山
    Dongshan
    漳浦
    Zhangpu
    霞浦
    Xiapu
    温州
    Wenzhou
    参考蛋白
    reference protein
    氨基酸评分 AAS 苏氨酸 0.44 0.45 0.43 0.42 0.45 0.44 250
    缬氨酸 0.41 0.45 0.42 0.42 0.42 0.42 310
    蛋氨酸+胱氨酸 0.10 0.08 0.11 0.12 0.06 0.09 220
    异亮氨酸 0.31 0.33 0.33 0.33 0.32 0.31 250
    亮氨酸 0.35 0.37 0.37 0.37 0.36 0.35 440
    苯丙氨酸+酪氨酸 0.38 0.42 0.42 0.43 0.39 0.42 380
    赖氨酸 0.36 0.42 0.38 0.38 0.41 0.39 340
    色氨酸 0.43 0.42 0.43 0.35 0.34 0.33 60
    化学评分 CS 苏氨酸 0.38 0.39 0.37 0.36 0.39 0.37 292
    缬氨酸 0.31 0.34 0.32 0.32 0.32 0.32 410
    蛋氨酸+胱氨酸 0.06 0.04 0.06 0.07 0.03 0.05 386
    异亮氨酸 0.23 0.25 0.25 0.25 0.24 0.23 331
    亮氨酸 0.29 0.30 0.30 0.30 0.30 0.29 534
    苯丙氨酸+酪氨酸 0.26 0.29 0.29 0.29 0.27 0.28 565
    赖氨酸 0.28 0.33 0.30 0.29 0.32 0.30 441
    色氨酸 0.26 0.25 0.26 0.21 0.21 0.20 99
    必需氨基酸指数 EAAI 23.15 23.83 24.35 23.90 21.73 22.48 100
    下载: 导出CSV 
    | 显示表格

    根据AAS与CS结果,各地坛紫菜的EAA中均为苏氨酸最高,蛋氨酸+胱氨酸最低,因此,蛋氨酸+胱氨酸为各产地坛紫菜的第一限制性氨基酸,异亮氨酸为第二限制性氨基酸。

    以综合评分EAAI进行产地间比较,发现各地间的坛紫菜氨基酸营养存在一定差异,但差异不大,由高到低依次排序为东山>漳浦>莱芜>南澳>温州>霞浦。可见,东山坛紫菜的AAS最高,其次是漳浦,而霞浦最低。

    6个产地坛紫菜中均含有丰富的矿物质元素,其中常量元素含量最高的是钾 (K),其次是镁 (Mg)、钠 (Na)和钙 (Ca);人体必需的微量元素中铁 (Fe) 含量最高,其次是锰 (Mn)、锌 (Zn)、铜 (Cu)、硒 (Se)、钴 (Co)和钒 (V)。各产地间矿物元素的含量差异显著,其中霞浦坛紫菜中K、Ca、Fe、Zn、Cu、Co和V含量最高,南澳坛紫菜中Na和Se含量最高,东山坛紫菜中Mg含量最高,而温州坛紫菜中Mn含量最高 (表3)。

    表  3  不同产地坛紫菜矿物质质量分数与构成 (干基)
    Table  3.  Mineral contents of P. haitanensis in different breeding areas (dry mass) mg·kg−1
    元素
    element
    南澳
    Nan'ao
    莱芜
    Laiwu
    东山
    Dongshan
    漳浦
    Zhangpu
    霞浦
    Xiapu
    温州
    Wenzhou
    钾 K 22 836.06 23 371.44 17 768.95 15 648.44 25 056.75 24 347.34
    镁 Mg 3 182.88 3 097.42 4 581.31 3 310.81 3 426.49 2 982.32
    钠 Na 3 115.14 2 134.81 2 317.44 1 851.27 1 375.03 2 323.08
    钙 Ca 125.23 273.33 384.53 313.99 986.30 642.37
    铁 Fe 91.57 175.14 220.09 142.03 249.22 183.00
    锰 Mn 27.21 35.82 39.21 27.67 61.05 61.60
    锌 Zn 8.51 12.77 33.68 47.59 49.62 26.39
    铜 Cu 4.88 5.67 6.67 3.26 11.99 9.32
    硒 Se 1.64 1.33 0.21 0.22 0.65 0.89
    钴 Co 0.17 0.17 0.25 0.18 0.27 0.12
    钒 V 0.14 0.22 0.35 0.25 0.54 0.41
    下载: 导出CSV 
    | 显示表格

    矿物质元素在人体中发挥着重要的生理作用。K、Ca、P、Mg等常量元素是构成人体组织的重要成分,也对维持人体体液酸碱平衡具有至关重要的作用。必需微量元素对人体生长、发育和健康具有重要作用,其能构成激素、酶和维生素等组分,能参与营养代谢等重要生理功能,如Fe可参与体内氧的转运,维持机体正常造血功能;Cu可参与体内造血过程,催化血红蛋白合成,也是多种酶的组成成分,缺Cu会导致贫血、运动障碍和神经失常等疾病;Zn可促进儿童生长和智力发育,参与组织再生,调节人体免疫功能,缺Zn会导致免疫力下降、生长停滞、皮肤干燥等[30]

    根据Ruperez[31]的报道,海藻中Na/K低于1.5不易引起高血压。6个产地的坛紫菜Na/K均远低于1,可见,从营养学角度上来看,摄入坛紫菜有助于改善人体的Na、K平衡,预防高血压和心血管疾病。

    根据 Hill和Matron提出的“理化性质相似的元素,其生物学功能相互拮抗”的理论[32-33],Fe、Mn、Cu、Zn均为第四周期元素,元素之间的拮抗作用通常发生在 Zn/Cu>10及 Zn/Fe>1时。6个产地的坛紫菜中,除漳浦的Zn/Cu大于10 (14.58) 外,其余5个产地均小于10;且6个产地坛紫菜的Zn/Fe均小于1。可见,除漳浦坛紫菜Zn/Cu不理想之外,其余坛紫菜的Zn/Cu和Zn/Fe均为理想。

    综上所述,6个产地的坛紫菜营养成分差异显著,产地不同,营养各有优势。坛紫菜水分含量的差异主要由干制方法不同造成,晒干紫菜的水分含量显著高于烘干紫菜。福建、浙江的紫菜采收机械化程度较高,因此其紫菜水分含量显著高于采用传统日晒方式的广东地区。霞浦坛紫菜的灰分、蛋白质以及K、Ca、Fe、Zn、Cu、Co、V矿物元素的含量均高于其他5个产地。莱芜坛紫菜的TAA和EAA含量高于其他5个产地;但温州坛紫菜的EAA/TAA高于其他5个产地;而东山坛紫菜的EAAI最高。

    总体而言,坛紫菜是一种高蛋白、低脂肪、富含矿物质的海洋食材,经常食用可以补充人体需要的多种矿物质,还可改善人体的Na、K平衡。坛紫菜中EAA含量较高,且含有丰富的婴幼儿生长发育必需的精氨酸,但其氨基酸组分构成不理想,EAA营养评分较低,说明坛紫菜并非优质蛋白源。蛋氨酸+胱氨酸是坛紫菜的第一限制性氨基酸,异亮氨酸为第二限制性氨基酸,因此在饮食中应搭配含蛋氨酸、胱氨酸等含硫氨基酸高的其他食物进行营养均衡。

  • 图  1   虾苗数据采集平台

    Figure  1.   Platform of shrimp data collection

    图  2   虾苗关键点标注

    注:左图为低密度图像及其部分标注;右图为高密度图像及其部分标注;黄色为虾头关键标注点。

    Figure  2.   Key points of shrimp larval image

    Note: The left image shows a low-density image and its partial labels, while the right image shows a high-density image and its partial lables; shrimp head key labelled points are in yellow.

    图  3   虾苗数据集特性

    Figure  3.   Characteristics of raw shrimp larval data

    图  4   Shrimp counting模型结构

    Figure  4.   Structure of shrimp counting model

    图  5   改进的VGG-19网络结构图

    Figure  5.   Modified VGG-19 network architecture diagram

    图  6   CBAM注意力模块结构

    Figure  6.   Structure of CBAM attention module

    图  7   后端网络结构

    Figure  7.   Structure of backend

    图  8   高密度虾苗的密度图可视化

    Figure  8.   Density map visualization for high-density shrimp larvae

    图  9   低密度虾苗的密度图可视化

    Figure  9.   Density map visualization for low-density shrimp larvae

    图  10   主干网络后端深度的误差分析

    Figure  10.   Analysis of error between cost in backbone and backend depth

    表  1   主流计数模型性能对比

    Table  1   Comparison of different generic counting methods

    模型
    Model
    平均绝对误差
    MAE
    均方误差
    MSE
    准确率
    Accuracy/%
    CPU计算时间
    CPU compute time/s
    GPU计算时间
    GPU compute time/s
    布莱克-利特曼模型Black-Litterman (BL) model 120.094 191.939 91.067 24 1.2
    人群密度估计网络 CSR-Net 113.822 180.023 91.020 28 1.3
    多维注意力增强人群计数模型BCCMA model 128.863 200.330 92.418 30 1.4
    本研究的SC模型 Shrimp counting model in this paper 96.304 154.567 93.325 22 1.2
    下载: 导出CSV

    表  2   高密度数据下计数性能对比

    Table  2   Comparison of counting performance with different generic methods on high density data

    模型
    Model
    平均绝对误差
    MAE
    均方误差
    MSE
    准确率
    Accuracy/%
    布莱克-利特曼模型Black-Litterman (BL) model 221.289 270.547 88.147
    人群密度估计网络 CSR-Net 205.189 252.938 88.938
    多维注意力增强人群计数模型BCCMA model 252.591 283.246 86.460
    本研究的SC模型 Shrimp counting model in this paper 181.352 218.123 90.278
    下载: 导出CSV

    表  3   低密度数据下计数性能对比

    Table  3   Comparison of counting performance with different generic methods on low density data

    模型
    Model
    平均绝对误差
    MAE
    均方误差
    MSE
    准确率
    Accuracy/%
    布莱克-利特曼模型Black-Litterman (BL) model 18.899 22.037 93.987
    人群密度估计卷积神经网络 CSR-Net 22.454 28.960 93.101
    多维注意力增强人群计数模型BCCMA model 5.136 6.013 98.377
    本研究的SC模型 Shrimp counting model in this paper 11.256 14.292 96.373
    下载: 导出CSV

    表  4   注意力模块与损失函数消融实验对比

    Table  4   Comparison of CBAM attention module and loss function ablation experiments

    模型
    Model
    卷积注意力模块
    CBAM
    损失函数
    Loss
    平均绝对误差
    MAE
    均方误差
    MSE
    准确率
    Accuracy/%
    SC模型 均方误差损失函数 195.000 242.589 88.581
    SC模型 + 均方误差损失函数 117.958 206.373 91.490
    SC模型 贝叶斯损失函数 115.240 168.125 90.685
    SC模型 + 贝叶斯损失函数 96.304 154.567 93.325
    注:“+”表示采用CBAM模块;“−”表示不采用CBAM模块。 Note: "+" represents that the CBAM module is used, while "–" represents that the CBAM module is not used.
    下载: 导出CSV

    表  5   不同主干网络与后端深度的消融实验对比

    Table  5   Comparison of ablation experiments on backbone networks and backend depth

    主干网络
    Backbone network
    后端深度
    Backend depth
    平均绝对误差
    MAE
    均方误差
    MSE
    准确率
    Accuracy/%
    VGG-16 5 163.865 199.741 74.826
    VGG-16 6 127.403 162.328 89.183
    VGG-16 7 130.973 165.662 83.471
    VGG-19 5 124.630 188.150 90.942
    VGG-19 6 96.304 154.567 93.325
    VGG-19 7 119.900 178.442 88.581
    下载: 导出CSV
  • [1]

    LIU S, ZENG X D, WHITTY M. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field[J]. Comput Electron Agr, 2020, 173: 105360. doi: 10.1016/j.compag.2020.105360

    [2]

    VASCONEZ J P, DELPIANO J, VOUGIOUKAS S, et al. Comparison of convolutional neural networks in fruit detection and counting: a comprehensive evaluation[J]. Comput Electron Agr, 2020, 173: 105348. doi: 10.1016/j.compag.2020.105348

    [3]

    XU C, JIANG H Y, YUEN P, et al. MHW-PD: a robust rice panicles counting algorithm based on deep learning and multiscale hybrid window[J]. Comput Electron Agr, 2024, 173: 105375. doi: 10.1016/j.compag.2020.105375

    [4]

    XU B B, WANG W S, FALZON G, et al. Automated cattle counting using Mask R-CNN in quadcopter vision system[J]. Comput Electron Agr, 2020, 171: 105300. doi: 10.1016/j.compag.2020.105300

    [5]

    LI D L, MAO Z, PENG F, et al. Automatic counting methods in aquaculture: a review[J]. J World Aquacult Soc, 2020, 52(2): 269-283.

    [6]

    ZHANG L, LI W S, LIU C H, et al. Automatic fish counting method using image density grading and local regression[J]. Comput Electron Agr, 2020, 179: 105844. doi: 10.1016/j.compag.2020.105844

    [7]

    KESVARAKUL R, CHIANRABUTRA C, CHIANRABUTRA S. Baby shrimp counting via automated image processing[C]//Proceedings of the 9th International Conference on Machine Learning and Computing. ICMLC 2017. Singapore: Association for Computing Machinery. 2017: 352-256.

    [8]

    SOLAHUDIN M, SLAMET W, DWI A S. Vaname (Litopenaeus vannamei) shrimp fry counting based on image processing method[C]//The 2nd International Conference on Agricultural Engineering for Sustainable Agricultural Production. AESAP 2017. Bogor, Indonesia: IOP Conference Series Earth and Environmental Science, 2018, 147(1): 012014.

    [9]

    KAEWCHOTE J, JANYONG S, LIMPRASERT W. Image recognition method using Local Binary Pattern and the Random Forest classifier to count post larvae shrimp[J]. Agric Nat Resour, 2018: 371-376.

    [10]

    AWALLUDIN E A, MUHAMMAD W N A W, ARSAD T N T, et al. Fish larvae counting system using image processing techniques[J]. J Physics: Conference Series, 2020, 1529(5): 052040. doi: 10.1088/1742-6596/1529/5/052040

    [11] 王书献, 张胜茂, 戴阳, 等. 利用声呐数据提取磷虾捕捞深度方法研究[J]. 南方水产科学, 2021, 17(4): 91-97. doi: 10.12131/20210020
    [12] 范秀梅, 杨胜龙, 张胜茂, 等. 基于栖息地指数的阿拉伯海鲐鱼渔情预报模型构建[J]. 南方水产科学, 2020, 16(4): 8-17. doi: 10.12131/20190255
    [13] 郑巧玲, 樊伟, 张胜茂, 等. 基于神经网络和VMS 的渔船捕捞类型辨别[J]. 南方水产科学, 2016, 12(2): 81-87. doi: 10.3969/j.issn.2095-0780.2016.02.012
    [14] 张佳泽, 张胜茂, 王书献, 等. 基于3-2D融和模型的毛虾捕捞渔船行为识别[J]. 南方水产科学, 2022, 18(4): 126-135. doi: 10.12131/20210263
    [15]

    NGUYEN K T, NGUYEN C N, WANG C Y, et al. Two-phase instance segmentation for whiteleg shrimp larvae counting[C]//2020 IEEE International Conference on Consumer Electronics. ICCE 2020. Berlin, Germany: IEEE, 2020: 1-3.

    [16]

    HONG K T, ABDULLAH S N H S, HASN M K, et al. Underwater fish detection and counting using mask regional convolutional neural network[J]. Water, 2022, 14(2): 222. doi: 10.3390/w14020222

    [17]

    ARMALIVIA S, ZAINUDDIN Z, ACHMAD A, et al. Automatic counting shrimp larvae based you only look once (YOLO)[C]. 2021 International Conference on Artificial Intelligence and Mechatronics Systems (AIMS), 2021: 1-4.

    [18]

    LI X M, ZHAO Z Y, WU J Y, et al. Y-BGD: Broiler counting based on multi-object tracking[J]. Comput Electron Agr, 2022, 202: 107347. doi: 10.1016/j.compag.2022.107347

    [19]

    SINDAGI V A, PATEL V M. Generating high-quality crowd density maps using contextual pyramid CNNs[C]//IEEE International Conference on Computer Vision, Venice, Italy: IEEE Xplore, 2017: 1879-1888

    [20]

    LAINEZ S M D, GONZALES D B. Automated fingerlings counting using convolutional neural network[C]//2019 IEEE 4th International Conference on Computer and Communication Systems. ICCCS 2019. Singapore: IEEE, 2019: 67-72.

    [21] 范松伟, 林翔瑜, 周平. 基于改进的卷积神经网络的虾苗自动计数研究[J]. 渔业现代化, 2020, 47(6): 35-41. doi: 10.3969/j.issn.1007-9580.2020.06.006
    [22]

    LEMPITSKY V, ZISSERMAN A. Learning to count objects in images[C]//Advances in Neural Information Processing Systems 23: 24th Annual Conference on Neural Information Processing Systems 2010. Proceedings of a meeting held 6–9 December 2010. Vancouver, British Columbia, Canada: Curran Associates Inc, 2010: 23.

    [23]

    SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Computer Sci, 2014, 1409: 1556. doi: 10.48550/arXiv.1409.1556

    [24]

    MA Z H, WEI X, HONG X P, et al. Bayesian loss for crowd count estimation with point supervision[J]. CoRR, 2019, abs/1908.03684.

    [25]

    LI F F, JIA D, LI K. ImageNet: constructing a large-scale image database[J]. J Vision, 2010, 9(8): 1037. doi: 10.1167/9.8.1037

    [26]

    LI Y H, ZHANG X F, CHEN D M. CSRNet: dilated convolutional neural networks for understanding the highly congested scenes[J]. IEEE, 2018: 1091-1100.

    [27]

    LIN H, MA Z H, JI R R, et al. Boosting crowd counting via multifaceted attention[J]. IEEE, 2022: 19628-19637.

    [28]

    ZHANG L, ZHOU X H, LI B B, et al. Automatic shrimp counting method using local images and lightweight YOLOv4[J]. Biosyst Engin, 2022, 220: 39-54. doi: 10.1016/j.biosystemseng.2022.05.011

    [29]

    SUN Y, ZHANG S M, SHI Y C, et al. YOLOv7-DCN-SORT: an algorithm for detecting and counting targets on Acetes fishing vessel operation[J]. Fish Res, 2024, 274: 106983. doi: 10.1016/j.fishres.2024.106983

    [30]

    ZHANG Z Z, LI J W, SU C W, et al. A method for counting fish based on improved YOLOv8[J]. Aquac Engin, 2024, 107: 102450. doi: 10.1016/j.aquaeng.2024.102450

  • 期刊类型引用(7)

    1. 曾睿,汤艳凝,斯琴其木格,陆美霖,刘媛媛,张智勇,陈瑞娟,倪娜. 壳聚糖-刺玫果提取物复配涂膜对半干型风干牛肉贮藏品质的影响. 中国调味品. 2024(05): 24-30 . 百度学术
    2. 王慧蕊,魏团团,董明娜,张慧,马艺超,任丹丹,何云海,汪秋宽. 水产品劣变机制及其保鲜剂研发研究进展. 食品安全质量检测学报. 2024(11): 140-150 . 百度学术
    3. 李琳,徐扬,孙永,赵玲,曹荣,张朝辉. 虾类复合防黑保鲜剂配方优化与应用. 南方水产科学. 2024(03): 143-151 . 本站查看
    4. 崔巧燕,李来好,陈天玉,陈胜军,黄卉,赵永强,李春生. 植物乳植杆菌通过抑制蛋白水解改善罗非鱼发酵鱼糜凝胶强度. 南方水产科学. 2024(04): 1-10 . 本站查看
    5. 葛迎港,崔柯鑫,陈慧,刘楠,孙永,席瑞,王大军,周德庆,孙国辉. 3种抗氧化剂处理对干制鲅鱼脂肪氧化和挥发性风味成分的影响. 肉类研究. 2023(04): 21-28 . 百度学术
    6. 孙朋媛,曹传爱,刘骞,孔保华,王辉. 基于壳聚糖的智能指示包装及其在食品贮藏中应用的研究进展. 食品工业科技. 2023(10): 416-422 . 百度学术
    7. 郝淑贤,黄卉,李来好,吴燕燕,相欢,魏涯,岑剑伟,赵永强. 宰前预冷联合微冻对罗非鱼片品质的影响. 广东海洋大学学报. 2022(06): 11-16 . 百度学术

    其他类型引用(4)

图(10)  /  表(5)
计量
  • 文章访问数:  82
  • HTML全文浏览量:  29
  • PDF下载量:  17
  • 被引次数: 11
出版历程
  • 收稿日期:  2024-09-05
  • 修回日期:  2024-10-27
  • 录用日期:  2024-11-13
  • 网络出版日期:  2024-12-26
  • 刊出日期:  2025-02-04

目录

/

返回文章
返回