摘要
提升小龙虾分级工作的准确率和效率，有助于后续小龙虾活体售卖、初级加工和精深加工等工作。通过引入机器视觉技术，创建小龙虾图像数据集，训练深度学习神经网络，能够实现对活体小龙虾的无损、快速和精确分级，具体内容如下： （1）搭建小龙虾图像采集系统，详细说明小龙虾拍摄规范与环境要求。获取小龙虾原始图像后，创建分割虾头、虾钳和虾尾三个部位的小龙虾语义分割数据集，创建包含青虾和红虾的小龙虾分类数据集。 （2）结合小龙虾图像语义分割，提出一种新的小龙虾分级标准，即依据虾头和虾钳在整虾中的比例对小龙虾进行分级。通过构建小龙虾整虾、虾头、虾钳和虾尾的实际重量与对应图像区域像素大小之间的相关性模型，验证新分级标准的可行性。 （3）训练DeepLabV3+神经网络，对小龙虾图像进行语义分割并对小龙虾进行分级。小龙虾语义分割数据集图像共290张，其中训练集图像200张，测试集图像90张。使用训练数据集图像训练DeepLabV3+神经网络，并用测试集检验模型语义分割效果以及小龙虾分级的准确率。语义分割主要评价指标为平均交并比（MIoU）、平均像素准确率（MPA）和像素准确率（PA)。小龙虾图像语义分割测试集的MIoU为94.35%，MPA为96.56%，PA为99.44%，同时测试集小龙虾分级准确率为85.56%。试验结果表明，DeepLabV3+模型可以准确分割小龙虾图像并估测虾头虾钳占比，模型能够完成小龙虾分级任务。 （4）通过添加NiN模块以及微调模型结构的方式优化原始ResNet-18神经网络，实现对小龙虾青虾和红虾的分类。小龙虾分类数据集共1000张图像，将其分为训练集（800张）和测试集（200张）。模型训练时使用图像增广技术，对小龙虾数据集进行扩增。使用小批量数据进行预训练，确定模型较优超参数设置。使用训练数据集训练原始ResNet-18、优化ResNet-18和GoogLeNet模型，三种模型测试集的分类准确率分别为89%、94%和78%，同时优化模型训练时间与原始模型相比减少59.26%。试验结果表明，ResNet-18模型优化效果显著，优化ResNet-18模型能够完成小龙虾分类任务。 （5）搭建小龙虾分级实物装置，该装置主要由视觉采集系统、小龙虾输送系统和气动执行系统三部分组成。同时，设计配套的小龙虾分级和分类检测软件界面。
NETL