论文部分内容阅读
据《中国渔业年鉴》数据显示,截止至2017年年底,我国水产品总产量达到6445吨,实际加工产量有2196吨,加工损失率达18.05%,而对虾实际加工产出52.01吨,仅占实际加工产量的2.37%,体现出我国在对虾加工产业上的重视程度相对其他水产品较低,因此对虾加工业更具有发展潜力。部分对虾加工厂虽然已在机械剥壳机设备上投资,但实际生产中仍依赖传统的人工剥壳,闲置了大型的剥壳机组。出现这种现象的原因是,我国对虾剥壳机设备仍处于发展初期,对其性能尚未有统一的评价标准,经过综合对比人工剥壳,对虾剥壳机在各方面没有明显的优势。由此可见,机组的剥壳效率、剥壳质量等均未达到设计预期,需要改进对虾剥壳机,提高剥壳性能,降低运行成本。掌握当前对虾剥壳机的性能是改进的前提,而完全剥壳对虾与未完全剥壳对虾的数量统计是评价的基础,因此,本文通过统计剥壳机产出的完全剥壳与未完全剥壳对虾的数量,以作为评价剥壳机性能的指标之一。由于快速运转的对虾加工生产线,人工无法准确统计大批量的完全与未完全剥壳对虾的数量,传统的目标检测算法无法实现快速的实时检测,基于深度学习的目标检测算法为该问题提供了解决方案。本文通过对基于深度学习目标检测算法的研究,得出基于YOLO V4算法的检测模型在该检测任务中的性能最佳,具体研究内容及结果主要如下:(1)构建理想数据集是基于深度学习的目标检测算法的关键一步,由于快速运转的生产线、对虾个体形态、对虾分布等多种因素的影响,使得直接获取理想数据集十分困难。因此,本文筛选出94张有效的数据图像,对此进行基于环境仿真的图像增强,包括数据增强、环境模拟、噪声模拟,共生成3345张对虾图像,并以此构建数据集。(2)经理论分析,基于深度学习的目标检测算法有two-stage和one-stage两类,two-stage方法的算法虽然具有较高的检测精度,但其实时性能和one-stage方法相比不具备优势,不能应用于实时场景。因此,本文选择了基于深度学习one-stage方法的目标检测算法,具体包括SSD inception V2,SSD mobilenet V2,YOLO V4,YOLO V4 tiny,YOLO V4 tiny-31,CsResNet-PANet-SPP,YOLO V3,YOLO V3-SPP,YOLO V3 tiny,YOLO V3 tiny-prn,YOLO V3 GIOU-12,EfficientNet b0,YOLO V3 openimages,两类共13个模型。通过对比SSD的两种模型与YOLO V3、YOLO V4在该任务中的性能,得出结论YOLO算法较SSD更适用。通过对比除SSD模型之外的模型,得出YOLO V4在该任务中的检测效果最佳,检测精度可达99.10%。(3)本文开发了对虾加工检测系统,可供用户选择在线监测、离线检测对虾剥壳状态。在线监测时,用户不仅可以实时检测对虾,还可以通过与生产线建立连接,实现对虾剥壳机设备运行参数监测及参数误差的实时统计;离线检测时,用户可以检测单幅图像或视频段。