卵形鯧鲹前處理加工技術及裝備研究現狀

單佳楠 鄭曉偉 張軍文

摘 要：卵形鯧鲹是一種重要的海洋生物資源，其肉質鮮美、營養豐富，是魚片及魚糜制品的優質原料。目前，卵形鯧鲹主要加工產品有冰鮮、條凍、魚片、魚糜和調味制品，但我國的卵形鯧鲹加工利用水平目前仍處于起步階段。在水產品加工領域中，傳統的人工分揀方式存在生產效率低、人工成本高等缺點，而機器視覺系統具有高實效性、高精度、高效率、高使用壽命、無需接觸等優勢，在卵形鯧鲹分選加工中具有廣闊的應用前景。該文介紹了卵形鯧鲹加工的背景、現有設備的種類及優缺點，分析了機器視覺的技術特點及其在水產品加工中的應用優勢，并在此基礎上對機器視覺在卵形鯧鲹前處理加工中的應用前景和需要重點解決的問題提出了一些設想。

關鍵詞：卵形鯧鲹;機器視覺;分選加工;分揀機構

中圖分類號 S963.71 文獻標識碼 A 文章編號 1007-7731（2022）01-0120-07

隨著卵形鯧鲹人工育苗和深水網箱養殖兩大關鍵技術的突破，我國海南等地區的卵形鯧鲹產業取得了快速發展。2019年，全國卵形鯧鲹投苗量達5.8億尾，養殖產量16.8萬t，產業年總產值約200億元[1]。目前，我國卵形鯧鲹分類加工仍以人工分揀為主，利用機器視覺檢測技術并結合高效的自動化分揀機構對水產品進行前處理加工，是我國水產品加工向智能化產業轉化的一個有效途徑之一，對于我國水產品加工行業的發展而言具有重大意義。

機器視覺作為一種可替代人眼的技術，可以根據需求靈活快速獲取圖像并調整圖像范圍，借助圖像處理技術和輸出數據結果分析，可同步實現檢測對象的長度、寬度、高度、面積、周長、顏色和質量等[2]多個形態參數的自動化測量與計算，相較于人工識別，其具有較高的穩定性和精確度，還能有效減少人為主觀因素帶來的誤差。

1 卵形鯧鲹加工技術及裝備研究現狀

金鯧魚的學名為卵形鯧鲹（Trachinotus ovatus），在中國分部于東海、南海、臺灣海峽等海域，廣東、廣西、海南、福建沿岸均有一定的資源量。卵形鯧鲹體呈卵形，高而側扁體長為體高的1.7～1.9倍，尾柄短細，側扁，頭小，高大于長，吻鈍，前端兒呈截形?？谛?，微傾料，口裂始于眼下緣水平線上。青部監青色腹部銀色，體側無黑點奇鯖邊緣淺黑色，胸鰭較寬，短于頭長尾鰭叉形，頭部除眼后部有鱗以外均裸露，體和胸部的鱗片多少埋于皮下，第二背獻與骨鋪有低的鱗鞘，側線前部精星波狀彎曲[3]。2019年，我國卵形鯧鲹產業總產值約200億元;其中以飼料業、加工業、裝備制造業為主的第二產業產值約60億元，占總產值的30%[1]。

卵形鯧鲹主要的產品種類，按商品形式分為鮮活、冰鮮、凍品卵形鯧鲹等，按加工工藝可分為全條、“二去”（去鰓、內臟）、魚片、調味卵形鯧鲹等;按包裝方式分為散裝、真空、干套袋裝卵形鯧鲹等[1]。其中，分選是卵形鯧鲹加工環節中必不可少的工序之一。

目前，國內的卵形鯧鲹分選主要以人工為主，依據分選目的分類，有二次深加工、包裝等?？砂葱枨?，依據大小規格或重量規格進行篩選。市場上銷售的金鯧魚分選設備以重量分選為主。廣東永一智能設備有限公司設計的適用于金鯧魚的基于機器視覺對水產品分級分選的設備，其分揀機構采用了擋板推出式結構。由于商家生產的設備為通用型視覺擋板式分選設備，對貝類，禽肉類有良好的分選效果，但由于形態大小和魚體濕滑等特性，對卵形鯧鲹的分選效果欠佳，且不具備姿態調整功能。而我們此次研究，將依據金鯧魚體態特性，選擇合適的傳送帶材料，設計更高效且具備姿態調整的分揀機構，同時具備更高的識別準確率?？傮w而言，水產加工分揀技術相對于物流分揀技術較為落后，許多先進的物流分揀技術對我們的研究具有重要參考價值，如表1所示，為近年來物流分揀領域的研究，但由于分揀物流包裹與水產品具有較大差異，水產品分揀環節更為復雜，各種魚類形態不一，分揀所需要的條件，如，輥筒材料，輥筒速度，分揀環境等因素不同。因此，需要研究特定的機構來對卵形鯧鲹實行分揀。在國外，Hufschmied[4]等研制的現場自動化分揀設備中，通過設置1條可以讓魚通過的通道，在通道頂部安裝光源和工業相機，獲取魚的垂直俯視圖，然后進行圖像處理來實現魚的識別和質量估計，并通過向2個方向轉動通道的方式實現按質量的自動化分選。

交叉帶式分揀機[24]、翻盤式分揀機[25]、滑塊式分揀機[26]、擋板式分揀機[27]、膠帶浮出式分揀機[28]、輥筒浮出式分揀機[29]、轉盤式分揀機[5]、條板傾斜式分揀機[30]等機械結構相對簡單，運維成本較低，適合大型生產加工。多自由度機械臂[31]和真空吸盤[32]結構相對復雜，運維成本高，適用于特定分揀場合。由于分揀物品物理特性上的的差異以及分選需求上的不同，對于水產品的分選依賴重量分選為主，并依靠機器視覺系統做出分級操作。對于魚體姿態調整目前仍需人力來完成。

表2所示魚體分選機構存在容易堵塞，造成魚體損傷，且只能依據魚體態大小分選，功能單一，無法實現姿態調整。表3所示研究，能夠實現魚體前處理加工的頭尾腹部調整，但存在適用性差，損傷魚體，占地面積大等缺點。本次研究設計的機構能夠實現占地面積小，魚體損傷少，操作簡單，維護便捷，且對不同規格的卵形鯧鲹都能有較高的前處理加工效率。

2 機器視覺

機器視覺是一種用機器代替人類視覺系統，收集特征信息，通過計算機編程進行檢測和判別的一種技術。工業化生產中所使用的機器視覺，主要是由相機、光源、鏡頭、圖像采集卡、圖像處理的軟件、PLC、輸出系統等組成[33]。隨著信息技術的發展，人工智能成為了如今熱門的研究領域，作為機器學習中一種新的研究方向，深度學習也被越來越多的應用到圖像處理的領域當中。深度學習能夠學習樣本數據中的本身規律和層次，對數據產生新的解釋，最終達到人所能達到的思考和判斷能力。

2.1 國內外發展現狀 20世紀70年代中期，MIT人工智能實驗室正式開設機器視覺課程。1977年，David·Marr提出了著名的Marr視覺理論，此理論是20世紀80年代機器視覺研究領域中一個十分重要的理論框架[34]。從20世紀80年代開始，機器視覺獲得了快速發展，新的關于機器視覺的概念、理論和技術不斷發掘，迎來了全球研究的熱潮。

機器視覺早期發展于歐美和日本等國家，并誕生了許多著名的機器視覺相關產業公司，包括光源供應商日本Moritex;鏡頭廠家美國Navitar、德國Schneider、德國Zeiss、日本Computar等;工業相機廠家德國AVT、美國DALSA、日本JAI、德國Basler、瑞士AOS、德國Optronis;視覺分析軟件廠家德國MVTec、美國康耐視（Cognex）、加拿大Adept等，以及傳感器廠家日本松下（Panasonic）與基恩士（Keyence）、德國西門子、歐姆龍（Omron）、邁思肯（Microscan）等[2]。近年來機器視覺在中國發展迅猛，但歐美發達國家在機器視覺技術上仍占統治地位，其中美國Congnex和日本Keyence占全球50%以上的市場份額，且仍在增長。德國由于其工業4.0戰略，成為機器視覺最大的市場。

我國機器視覺起步較晚，直至20世紀90年代初，才有少量視覺技術公司發展起來，主要包含有材料缺陷、車牌號識別等。隨著外資企業的加入，我國機器視覺相關產業快速發展，企業對機器視覺技術進一步的看好，機器視覺逐步在電子、印刷等行業廣泛應用[2]。同時，機器視覺在紡織、焊接、農業、制藥、煙草也有了大量運用，培養了一大批專業技術人員。近年來，我國提出了《中國制造2025》計劃[35]，到2025年將基本實現工業化。得益于政策的引導和扶持，我國機器視覺產業的投入和產出都有著顯著增長，以商湯科技、曠視、凌華科技為代表的的百余家國內企業，已逐漸布局整個產業鏈。

2.2 應用領域 隨著計算機的技術和工業科技的快速發展，機器視覺被越來越多地應用到生產領域，依據“十四五”規劃，將機器視覺深度學習納入了重點發展對象。目前，機器視覺系統主要應用于工業、農業、醫療、交通、等行業。由于機器視覺的自身特點和不斷擴大的技術優勢，越來越多的科研機構加入了機器視覺系統研究的行列。

機器視覺在工業中的應用主要體現在工業生產中產品的異常檢測、對產品批量的尺寸測量[37]、材料的檢測[38]、產品包裝質量的檢測[39]。在物流領域，機器視覺被用于包裹分揀[40]和避障，對于一些具有危險性的工作機器視覺系統也能勝任，從而極大地提高了生產效率，符合企業發展的需求。

機器視覺在農業領域中也有著非常廣泛的運用，被用來監測農產品蟲害[41]、根據大小顏色篩選不同種類的水果蔬菜[42]、還能自動識別種子品質[43];在水產品中也有不少應用，如在網箱養殖中的魚蝦的活動監測[44]，在加工中對水產品的大小、種類、質量的分選。

機器視覺在各種終端設備中也有不少的應用場合。如醫療影像領域[45]，機器視覺能夠依據病理特征，為醫生診斷提供依據參考。在交通監控系統中，能實時掌握交通動向，做出及時反映，在手機端上依據照片已經能識別出多種物品。

除了上述領域，機器視覺在衛星遙感[46]、地圖測繪、人臉識別、安全管理等多個方面發揮著重要作用。魚類分選中主要以傳感器為主，如嗅覺傳感器、顏色傳感器、重量傳感器。近年來，機器視覺也被用來分選特定魚類的大小[36]。水果蔬菜的識別、工業中產品缺陷的自動監測技術對于卵形鯧鲹的分選識別具有重要的借鑒意義。對于水果監控主要有大小和顏色特征的提取，對于工業產品缺陷的檢測主要由輪廓特征提取，將兩者特征提取方法結合，從理論上即可得到想要的結果。

2.3 在水產品中的應用現狀 機器視覺技術在水產品中有著廣泛的應用，對于不同的水產品應用，其研究特點和研究方法也有所不同，為本次研究提供了許多幫助。表4列舉了部分近年來在機器視覺在各類水產品中應用的研究。

有研究表明，水產動物的尺寸屬性和質量之間存在很好的相關性。通過建立尺寸因子與質量之間的回歸分析及預測模型，便可進行質量預測，并指導后續的分揀操作。但由于水產品品種不一，原料特性也有著很大的差異，不存在通用的適合于所有品種魚或貝的質量預測模型。為了提高預測精度，對于每一個品種，都需要設計不同的質量預測模型來進行質量預測。

2.4 用于估算魚質量的理論基礎 由于增長速度評估或生態用途的需要，關于魚體尺寸和質量之間相關性的研究也已開展了許多年[66-67]。有研究表明：水產動物的尺寸屬性和質量之間存在很好的相關性。目前，魚類質量估計研究方法當中最常用的是建立尺寸因子與質量之間的回歸分析模型。依據選用的因子個數，可分為單因子預測模型和多因子預測模型2種。

單因子預測常用模型主要有長度-質量關系模型[68]和投影面積-質量關系模型[69]等。Liang、Chiou[68]對這些不同因子的回歸預測模型進行了比較研究，試驗采集了臺灣羅非魚50個樣本的投影圖像，獲得其物理屬性，并分別推演出質量和長度、質量和高度、質量和周長、質量和面積間的相關性。結果表明，質量和面積的相關性最好（R2=0.9303）.在回歸方法上，最經典的是Fulton[69]提出的長度-質量冪模型：W=a·Lb（W為體質量，g;a和b是經驗表征品種和應變相關的參數，L為體長，cm）。后來許多研究人員在此基礎上進行了改進研究，分別提出了線性擬合模型、冪模型、對數模型以及二次多項式擬合模型等多種預測方法。Balaban[70]等、王文靜[71]等在進行基于投影面積的魚體質量預測的研究時，對線形擬合、冪模型以及二次多項式擬合等這些不同的預測方法進行了對比分析，結果均顯示冪模型效果最好。

多因子預測模型常用方法為多元線性回歸分析法。Beddow[71]等采用52個多因子參數回歸分析法來預測魚的質量。Lines[73]等通過建立一系列長度因子與魚體質量的回歸方程來評估魚的質量。還有研究人員（Odone等）[74]提出采用支持向量機模型（support vector machine，SVM）來判定魚體質量和形狀參數間的相關性，從而實現魚體質量的預測。Viazzi[75]等在研究利用2D視覺技術進行玉鱸魚體質量預測時，分析比較了多因子線性預測和單因子線性預測的結果，發現利用面積-質量關系的單因子線性預測的效果和利用面積、長度和高度等多因子預測的結果基本一致，且都優于長度-質量關系的曲線預測模型，研究還發現利用去除尾鰭后的面積進行預測的效果會更好。

從上述研究成果當中分析，不難發現：在根據魚體形狀屬性進行質量預測時，無論是單因子分析，還是多因子預測，不存在通用的適合于所有品種魚的質量預測模型。為了提高預測精度，對于每一個品種，都需要設計不同的質量預測模型來進行魚體質量預測。因此，可以設計一個適用于金鯧魚的質量預測模型來進行研究。

2.5 應用優勢 （1）機器視覺能夠根據需求調整監測范圍;（2）能夠無接觸式，無干擾不間斷監測;（3）能夠實現多個指標數值（長度、寬度、高度、面積、周長、顏色和質量等多個形態參數）同時記錄，測量和計算;（4）依據測量和計算結果，給出客觀準確穩定的評價;（5）除了應用在水產品當中，它還可以通過調參實現更多場景的應用;（6）從經濟性上考慮，如果采用模塊化設計，采用一套機器識別的設備從長遠來看，節約人工成本的同時，也能給加工企業帶了不錯的經濟效益，也是卵形鯧鲹加工產業朝著智能化的方向發展的重要路徑。

2.6 面臨的挑戰 盡管機器視覺在水產品中已有較多應用，但應用在卵形鯧鲹前處理加工中仍存在以下幾個問題需要解決：（1）拍攝環境光源對于圖像識別的結果影響較大，殘留的水漬等污染物容易造成系統誤識別，影響攝像機拍攝的成像，最終處理結果會存在較大誤差。（2）在拍攝過程中，會存在一條半或多個半條的魚體，圖像處理過程中需要過濾掉不需要的圖像。（3）由于魚體表面濕滑，且附著粘液，傳送機構選取，傳送裝置的材料，結構、傳送速度、電機功率等參數需要大量實驗比對才能得出最優結果。（4）卵形鯧鲹的姿態調整建立在角度測量準確的基礎上，由于最小矩形框的角度測量方法存在誤差，且范圍存在不確定，需要通過實驗來確定誤差范圍并進行算法優化。

3 卵形鯧鲹分選設備的研究目的及內容

卵形鯧鲹分選設備主要實現功能：對卵形鯧鲹的規格大小進行自動化分揀以及魚體姿態進行調整。初步功能若能實現，還將對卵形鯧鲹進行雌雄判斷，品質檢測，魚體破損識別的研究。

研究設計的方法主要包含：

（1）通過OpenCV-python對圖像進行預處理，用canny邊緣檢測算子求得圖像周長面積等參數。再對固定相機進行標定，得到圖像實際面積、周長。

（2）通過Mask-RCNN語義分割算法實現實時圖像語義分割，通過采用減少圖像經過的網絡層數，利用級聯特征融合單元來融合高分辨率和低分辨率圖像的特征，提高分割速度，達到實時分割的效果?；蚧诰幋a器——解碼器結構，采用分解濾波器策略，使用低階近似卷積操作分解為跟簡單的操作，減少計算量實現實時分割，最終輸出魚體的角度參數。

（3）控制魚體角度，通過傳送帶上支撐魚體下面的可旋轉單元盤，可實現任意角度旋轉。圓盤略高于輸送平面，圓盤內部有旋轉軋輥，用于控制魚體向前輸送。

4 結語

隨著機器視覺技術的發展，水產品分揀裝備技術發展也會越來越快。未來分揀裝備發展方向：應用模塊化技術，使用一套計算機視覺系統搭配多個模塊化分揀裝備，實現多個種類的水產品的實時在線分選?；谀K化的設計，未來分選裝備可以朝微型化的方向發展。對于鮮活水產的水下分選需求，基于機器視覺的水下在線分揀裝備也將是今后研究的一大熱點。

機器視覺作為現代科技的先行領域，發展的越來越成熟，在卵形鯧鲹中的成功應用，將會給水產加工行業帶來很多的可能性。提高機器視覺系統的檢測計算能力和可靠性，擴大機器視覺技術應用的廣度和深度，是值得研究者們探究的方向。作為一項在水產加工中新的應用技術，機器視覺還有很多的未知性。對于設計一臺適合分揀卵形鯧鲹的分揀機構，可以充分吸收物流裝備領域中的先進理念，依據卵形鯧鲹的特點，結合實驗數據得到最佳方案。

參考文獻

[1]中國漁業協會金鯧魚分會：中國金鯧魚產業發展報告2020[EB/OL].[2020-12-22].http：//www.china-cfa.org/fzjgdt/2020/1222/511.html.

[2]朱云，凌志剛，張雨強.機器視覺技術研究進展及展望[J].圖學學報，2020，41（06）：871-890.

[3]戴梓茹，鐘秋平，林美芳.金鯧魚營養成分分析與評價[J].食品工業科技，2013，34（001）：347-350.

[4]Hufschmied P，Fankhauser T，Pugovkin D.Automatic stress-free sorting of sturgeons inside culture tanks using image processing[J].Journal of Applied Ichthyology，2011，27（2）：622-626.

[5]申展瑞，劉薊南，張千宇.一種轉盤式物流分揀設備的研究[J].湖北農機化，2019（11）：60.

[6]曾天強.智能化貨物分揀系統的研究與開發[J].科技研究，2014 （13）：133-133，135.

[7]盧舟燕，劉金龍，洪美娟，等.推出式物流分揀實驗裝置系統設計[J].中國儲運，2005（6）：65-66.

[8]謝偉東，王磊，佘翊妮，等.條煙自動分揀的異步法及其裝置[J].工程設計學報，2007（02）：30-34.

[9]李昭，李華杰，孫建明，等.快遞物流包裝件分揀裝置設計[J].包裝與食品機械，2018，036（005）：36-41.

[10]劉彪.基于視覺監測處理的分揀機械裝置[J].現代農機，2020（04）：28.

[11]劉智豪，楊斌，萬宏強，等.多用途水果分揀裝置設計[J].電子世界，2020（19）：116-117.

[12]趙銀銀，王忠禮，黃志凱，等.破損雞蛋自動分揀裝置[J].中國戰略新興產業，2018，000（04X）：121.

[13]林海青.水產品分選機構的可調滾筒，CN205914372U[P].

[14]余順年.雙殼貝類分選裝置的研制[D].廈門：集美大學，2012.

[15]不公告發明人.一種水產品分選裝置[P].河北：CN21102 7132U，2020-07-17.

[16]陳子桂，何金釗，馮鵬霏，等.一種鮮活水產品的分選系統[P].廣西壯族自治區：CN208960414U，2019-06-11.

[17]劉憲海.一種水產品分選裝置[P].山東?。篊N208879101U，2019-05-21.

[18]鄧凱旋.一種水產品的分選機構[P].廣東?。篊N208786890U，2019-04-26.

[19]林海青.一種水產品的分選機構[P].浙江：CN205914412U，2017-02-01.

[20]楊昌兵.一種魚類水產品分選裝置[P].湖北：CN202105802U，2012-01-11.

[21]丁安子，吳文錦，汪蘭，等.一種輸送中魚體姿態調整裝置及方法[P].湖北?。篊N112374101A，2021-02-19.

[22]吳文錦，丁安子，汪蘭，等.定向調整裝置、魚類生產線姿態調整設備及方法[P].湖北?。篊N112374098A，2021-02-19.

[23]魯力.淡水魚加工生產線關鍵技術研究[D].武漢：武漢輕工大學，2017.

[24]趙玉雙.一種交叉帶式快速分揀機，CN 203304196 U[P].

[25]王長春，安東波，陳德高，等.一種翻盤擋板聯動機構及翻盤式分揀機：，CN110813765A[P].2020.

[26]本刊編輯部.高速滑塊式分揀機[J].物流技術（裝備版），2013（02）：61.

[27]佚名.皮帶軌送擋板式色果分揀機[J].中國郵政，1978（3）.

[28]梁鳳琨，舒進，劉兵鋒，等.一種槽道式分揀膠帶輸送機：CN202778978U[P].2013.

[29]袁阿勇.新型智能化貨物分揀系統的研究與開發[D].武漢理工大學.

[30]盧木建.一種傾斜式分揀機，CN201910463002.7[P].2020.

[31]任成鵬.一種基于視覺算法的機械臂分揀方法：CN111360840A[P].2020.

[32]韋曄華，鄭鑫鑫，徐浩杰，等.一種包裹的快速分揀裝置：CN207899759U[P].

[33]楊文橋，鄭力新.淺談機器視覺[J].現代計算機，2020，702（30）：67-70，77.

[34]黃志鵬、郁漢琪、張聰、黃越.機器視覺的發展及應用[J].信息與電腦（理論版），2020，v.32; No.459（17）：131-133.

[35]周濟.智能制造——“中國制造2025”的主攻方向[J].中國機械工程，2015（17）：2273-2284.

[36]陳星熠.機器的"眼睛"——機器視覺與視覺傳感器技術探究[J].數字通信世界，2017（11）：54-55.

[37]莫之劍，范彥斌，全燕鳴.基于機器視覺產品尺寸在線檢測的實踐研究[J].佛山科學技術學院學報（自然科學版），2006，24（001）：25-28.

[38]李大偉.基于機器視覺的磁性材料檢測方法研究[D].濟南：山東大學，2011.

[39]任小川，王晶.卷煙條盒包裝質量檢測機器視覺系統設計[J].控制工程，2006，13（S2）：58-60.

[40]鄧文輝.一種基于機器視覺的包裹分揀設備：，CN109047003A[P].2018.

[41]潘志國.機器視覺技術在農作物病蟲害的研究與應用[J].電子測試，2014（3）：57-58.

[42]童旭.基于機器視覺水果表面等級分類識別的研究[D].重慶：重慶交通大學，2018.

[43]成芳，應義斌.機器視覺技術在農作物種子質量檢驗中的應用研究進展[J].農業工程學報，2001，17（6）：175-179.

[44]張偉.基于機器視覺技術的缺損對蝦在線識別與剔除系統研究[D].杭州：浙江大學，2018.

[45]劉晨曦，周大維，蔣正乾，等.機器視覺在醫學影像處理的應用[J].醫學研究，2019，001（004）：8-9.

[46]龔文斌，石章松，韋華.高分辨率遙感衛星圖像不均勻云霧去除算法[J].激光與光電子學進展，2020，665（06）：294-301.

[47]STURE ?，?YE E R，SKAYHAUG A，et al.A 3D machine vision system for quality grading of Atlantic salmon[J].Computers & Electronics in Agriculture，2016，123：142-148.DOI：10.1016/j.compag.2016.02.020.

[48]賈貝貝，邵振洲，王瑞，等.基于機器視覺的魚類行為特征提取與分析[J].生態毒理學報，2017，012（005）：193-203.

[49]孟祥輝.基于機器視覺的養殖大黃魚弧菌病監測技術研究[D].成都：電子科技大學，2013.

[50]林妙玲.基于機器視覺的蝦體位姿和特征點識別[D].杭州：浙江大學，2007.

[51]楊眉.基于機器視覺的貝類自動識別與定位方法研究[D].大連：大連海洋大學，2014.

[52]周超，徐大明，吝凱，等.基于近紅外機器視覺的魚類攝食強度評估方法研究[J].智慧農業，2019，001（001）：76-84.

[53]張超，徐建瑜，王文靜.基于機器視覺的梭子蟹質量估計方法研究[J].寧波大學學報（理工版），2014（2）：49-51.

[54]趙慧，劉娜，趙天昊，等.基于機器視覺的魚的分割與辨別[J].山東工業技術，2019（007）：242.

[55]王成.基于機器視覺的魚類定制切段方法及設備設計[D].大連工業大學，2017.

[56]邢士元，劉艷秋，鄭元松，等.基于機器視覺的海產品外觀品質分級方法[J].大連工業大學學報，2017（2）：147-150.

[57]Xiaoling Xu，Wensheng Li，Qingling Duan. Transfer learning and SE-ResNet152 networks-based for small-scale unbalanced fish species identification，Computers and Electronics in Agriculture，2021，180：105878.

[58]Zihao Liu. Soft-shell Shrimp Recognition Based on an Improved AlexNet for Quality Evaluations，Journal of Food Engineering，2020，266：109698.

[59]Hossein Azarmdel，Seyed Saeid Mohtasebi，Ali Jafari，et al. Developing an orientation and cutting point determination algorithm for a trout fish processing system using machine vision，Computers and Electronics in Agriculture，2019，162：613-629.

[60]Hosna Mohammadi Lalabadi，Morteza Sadeghi，Seyed Ahmad Mireei. Fish freshness categorization from eyes and gills color features using multi-class artificial neural network and support vector machines，Aquacultural Engineering，2020，90：102076.

[61]Jingjun Cao，Tan Sun，Wenrong Zhang，et al. An automated zizania quality grading method based on deep classification model，Computers and Electronics in Agriculture，2021，183：106004.

[62]Dong Zhang，Dah-Jye Lee，Meng Zhang，et al.Lillywhite，Object recognition algorithm for the automatic identification and removal of invasive fish，Biosystems Engineering，2016，145：65-75.

[63]Luís A.M.Pereira，Rodrigo Y.M.Nakamura，Guilherme F.S.de Souza，et al.Aquatic weed automatic classification using machine learning techniques，Computers and Electronics in Agriculture，2012，87：56-63.

[64]Abinaya N.S.，Susan D.，Rakesh Kumar S.，Naive Bayesian fusion based deep learning networks for multisegmented classification of fishes in aquaculture industries，Ecological Informatics，2021，61：101248.

[65]Ahsan Jalal，Ahmad Salman，Ajmal Mian，Mark Shortis，Faisal Shafait，Fish detection and species classification in underwater environments using deep learning with temporal information，Ecological Informatics，2020，57：101088.

[66]Zion B.The use of computer vision technologies in aquaculture-A review[J].Computers and Electronics in Agriculture，2012（88）：125-132.

[67]Liang Y T，Chiou Y C.Machine vision-based automatic raw fish handling and weighing system of Taiwan tilapia[C]//Chien B C，Hong T P，Chen S M，et al.Next-Generation Applied Intelligence.Berlin：Springer，2009，5579：711-720.

[68]Gumus B，Balaban M O.Prediction of the weight of aquacultured rainbow trout （Oncorhynchus mykiss） by image analysis[J].Journal of Aquatic Food Product Technology，2010，19（3/4）：227-237.

[69]Fulton T W.The rate of growth of fishes[R].Twenty-second Annual Report，Part III.Edinburgh：Fisheries Board of Scotland，1904.

[70]Balaban M O，Chombeau M，C rban D，et al.Prediction of the weight of alaskan pollock using image analysis[J].Journal of Food Science，2010，75（8）：552-556.

[71]王文靜，徐建瑜，呂志敏，等.基于機器視覺的水下鲆鰈魚類質量估計[J].農業工程學報，2012，28（16）：153-157.

[72]Beddow T A，Ross L G，Marchant J A.Predicting salmon biomass remotely using a digital stereo-imaging technique[J].Aquaculture，1996，146（3）：189-203.

[73]Lines J A，Tillett R D，Ross L G，et al.An automatic image-based system for estimating the mass of free-swimming fish[J].Computers and Electronics in Agriculture，2001，31（2）：151-168.

[74]Odone F，Trucco E，Verri A.A trainable system for grading fish from images[J].Applied Artificial Intelligence，2001，15（8）：735-745.

[75]Viazzi S，Hoestenberghe S V，Goddeeris B M，et al. Automatic mass estimation of Jade perch Scortum barcoo by computer vision[J].Aquacultural Engineering，2015，64：42-48.

（責編：張宏民）