太平洋白虾 ( Penaeus vannamei ) 的养殖Boone, 1931) 是世界上最大的水产养殖业之一。池塘养殖是虾类养殖中一种有效且常用的方法。虾体长度是饲养管理的关键指标。传统上，虾的体长是通过观察喂食盘上的虾来确定的。然而，这种传统方法是一个耗时且劳动密集型的过程，并且依赖于虾农的经验。本研究提出了一种自动化方法，用于使用从水下视频系统捕获的图像在水产养殖池塘底部检测虾和测量它们的体长。该系统包括一个配备红外 LED 照明器的相机。图像中的虾被分为两类，可测量的和可见的。一个卷积神经网络模型，YOLOv4-tiny，被训练来检测图像中的虾。随后，应用图像处理算法从背景中分割检测到的虾并估计虾的体长。经过训练的 YOLOv4-tiny 模型在检测可测量虾方面的平均精度达到了 93.24%。所提出的体长估计方法的平均绝对误差和平均绝对相对误差分别为 3.5 mm 和 5.09%。所提出的方法克服了直接测量水产养殖池塘底部虾体长度而不中断其喂养过程的挑战。因此，所提出的方法可以通过提供有关虾水下行为的信息来使水产养殖业受益。应用图像处理算法从背景中分割检测到的虾并估计虾的体长。经过训练的 YOLOv4-tiny 模型在检测可测量虾方面的平均精度达到了 93.24%。所提出的体长估计方法的平均绝对误差和平均绝对相对误差分别为 3.5 mm 和 5.09%。所提出的方法克服了直接测量水产养殖池塘底部虾体长度而不中断其喂养过程的挑战。因此，所提出的方法可以通过提供有关虾水下行为的信息来使水产养殖业受益。应用图像处理算法从背景中分割检测到的虾并估计虾的体长。经过训练的 YOLOv4-tiny 模型在检测可测量虾方面的平均精度达到了 93.24%。所提出的体长估计方法的平均绝对误差和平均绝对相对误差分别为 3.5 mm 和 5.09%。所提出的方法克服了直接测量水产养殖池塘底部虾体长度而不中断其喂养过程的挑战。因此，所提出的方法可以通过提供有关虾水下行为的信息来使水产养殖业受益。所提出的体长估计方法的平均绝对误差和平均绝对相对误差分别为 3.5 mm 和 5.09%。所提出的方法克服了直接测量水产养殖池塘底部虾体长度而不中断其喂养过程的挑战。因此，所提出的方法可以通过提供有关虾水下行为的信息来使水产养殖业受益。所提出的体长估计方法的平均绝对误差和平均绝对相对误差分别为 3.5 mm 和 5.09%。所提出的方法克服了直接测量水产养殖池塘底部虾体长度而不中断其喂养过程的挑战。因此，所提出的方法可以通过提供有关虾水下行为的信息来使水产养殖业受益。

"点击查看英文标题和摘要"

Automatic measuring shrimp body length using CNN and an underwater imaging system

Farming of the Pacific white shrimp (Penaeus vannamei Boone, 1931) is among the largest aquaculture industries worldwide. Pond culture is an efficient and frequently used method in shrimp cultivation. Shrimp body length is a key indicator for feeding management. Conventionally, the shrimp body length is determined by observing the shrimp on feeding trays; however, this conventional approach is a time-consuming and labour-intensive process, and relies on the experience of shrimp farmers. This study proposes an automated approach for detecting shrimps and measuring their body lengths at the bottom of aquaculture ponds using the images captured from an underwater video system. The system included a camera equipped with an infrared LED illuminator. The shrimp in the images were classified into two categories, measurable and visible. A convolutional neural network model, YOLOv4-tiny, was trained to detect shrimps in the images. Subsequently, image processing algorithms were applied to segment the detected shrimps from their background and to estimate the shrimp body lengths. The trained YOLOv4-tiny model achieved an average precision of 93.24% in detecting the measurable shrimps. The proposed body length estimation approach achieved a mean absolute error and a mean absolute relative error of 3.5 mm and 5.09%, respectively. The proposed approach overcomes the challenge of directly measuring shrimp body length at the bottom of aquaculture ponds without disrupting their feeding process. The proposed approach can thus benefit aquaculture operations by providing information about the underwater behaviours of shrimps.