卵形鯧鲹前處理加工技術(shù)及裝備研究現(xiàn)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(zhì)鮮美、營養(yǎng)豐富，是魚片及魚糜制品的優(yōu)質(zhì)原料。目前，卵形鯧鲹主要加工產(chǎn)品有冰鮮、條凍、魚片、魚糜和調(diào)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(chǎn)品加工領(lǐng)域中，傳統(tǒng)的人工分揀方式存在生產(chǎn)效率低、人工成本高等缺點(diǎn)，而機(jī)器視覺系統(tǒng)具有高實(shí)效性、高精度、高效率、高使用壽命、無需接觸等優(yōu)勢(shì)，在卵形鯧鲹分選加工中具有廣闊的應(yīng)用前景。該文介紹了卵形鯧鲹加工的背景、現(xiàn)有設(shè)備的種類及優(yōu)缺點(diǎn)，分析了機(jī)器視覺的技術(shù)特點(diǎn)及其在水產(chǎn)品加工中的應(yīng)用優(yōu)勢(shì)，并在此基礎(chǔ)上對(duì)機(jī)器視覺在卵形鯧鲹前處理加工中的應(yīng)用前景和需要重點(diǎn)解決的問題提出了一些設(shè)想。

關(guān)鍵詞：卵形鯧鲹;機(jī)器視覺;分選加工;分揀機(jī)構(gòu)

中圖分類號(hào) S963.71 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-7731（2022）01-0120-07

隨著卵形鯧鲹人工育苗和深水網(wǎng)箱養(yǎng)殖兩大關(guān)鍵技術(shù)的突破，我國海南等地區(qū)的卵形鯧鲹產(chǎn)業(yè)取得了快速發(fā)展。2019年，全國卵形鯧鲹投苗量達(dá)5.8億尾，養(yǎng)殖產(chǎn)量16.8萬t，產(chǎn)業(yè)年總產(chǎn)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(jī)器視覺檢測(cè)技術(shù)并結(jié)合高效的自動(dòng)化分揀機(jī)構(gòu)對(duì)水產(chǎn)品進(jìn)行前處理加工，是我國水產(chǎn)品加工向智能化產(chǎn)業(yè)轉(zhuǎn)化的一個(gè)有效途徑之一，對(duì)于我國水產(chǎn)品加工行業(yè)的發(fā)展而言具有重大意義。

機(jī)器視覺作為一種可替代人眼的技術(shù)，可以根據(jù)需求靈活快速獲取圖像并調(diào)整圖像范圍，借助圖像處理技術(shù)和輸出數(shù)據(jù)結(jié)果分析，可同步實(shí)現(xiàn)檢測(cè)對(duì)象的長度、寬度、高度、面積、周長、顏色和質(zhì)量等[2]多個(gè)形態(tài)參數(shù)的自動(dòng)化測(cè)量與計(jì)算，相較于人工識(shí)別，其具有較高的穩(wěn)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(shù)及裝備研究現(xiàn)狀

金鯧魚的學(xué)名為卵形鯧鲹（Trachinotus ovatus），在中國分部于東海、南海、臺(tái)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(cè)扁體長為體高的1.7～1.9倍，尾柄短細(xì)，側(cè)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(jiān)青色腹部銀色，體側(cè)無黑點(diǎn)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(xiàn)與骨鋪有低的鱗鞘，側(cè)線前部精星波狀彎曲[3]。2019年，我國卵形鯧鲹產(chǎn)業(yè)總產(chǎn)值約200億元;其中以飼料業(yè)、加工業(yè)、裝備制造業(yè)為主的第二產(chǎn)業(yè)產(chǎn)值約60億元，占總產(chǎn)值的30%[1]。

卵形鯧鲹主要的產(chǎn)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(nèi)臟）、魚片、調(diào)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(huán)節(jié)中必不可少的工序之一。

目前，國內(nèi)的卵形鯧鲹分選主要以人工為主，依據(jù)分選目的分類，有二次深加工、包裝等?？砂葱枨螅罁?jù)大小規(guī)格或重量規(guī)格進(jìn)行篩選。市場(chǎng)上銷售的金鯧魚分選設(shè)備以重量分選為主。廣東永一智能設(shè)備有限公司設(shè)計(jì)的適用于金鯧魚的基于機(jī)器視覺對(duì)水產(chǎn)品分級(jí)分選的設(shè)備，其分揀機(jī)構(gòu)采用了擋板推出式結(jié)構(gòu)。由于商家生產(chǎn)的設(shè)備為通用型視覺擋板式分選設(shè)備，對(duì)貝類，禽肉類有良好的分選效果，但由于形態(tài)大小和魚體濕滑等特性，對(duì)卵形鯧鲹的分選效果欠佳，且不具備姿態(tài)調(diào)整功能。而我們此次研究，將依據(jù)金鯧魚體態(tài)特性，選擇合適的傳送帶材料，設(shè)計(jì)更高效且具備姿態(tài)調(diào)整的分揀機(jī)構(gòu)，同時(shí)具備更高的識(shí)別準(zhǔn)確率?？傮w而言，水產(chǎn)加工分揀技術(shù)相對(duì)于物流分揀技術(shù)較為落后，許多先進(jìn)的物流分揀技術(shù)對(duì)我們的研究具有重要參考價(jià)值，如表1所示，為近年來物流分揀領(lǐng)域的研究，但由于分揀物流包裹與水產(chǎn)品具有較大差異，水產(chǎn)品分揀環(huán)節(jié)更為復(fù)雜，各種魚類形態(tài)不一，分揀所需要的條件，如，輥筒材料，輥筒速度，分揀環(huán)境等因素不同。因此，需要研究特定的機(jī)構(gòu)來對(duì)卵形鯧鲹實(shí)行分揀。在國外，Hufschmied[4]等研制的現(xiàn)場(chǎng)自動(dòng)化分揀設(shè)備中，通過設(shè)置1條可以讓魚通過的通道，在通道頂部安裝光源和工業(yè)相機(jī)，獲取魚的垂直俯視圖，然后進(jìn)行圖像處理來實(shí)現(xiàn)魚的識(shí)別和質(zhì)量估計(jì)，并通過向2個(gè)方向轉(zhuǎn)動(dòng)通道的方式實(shí)現(xiàn)按質(zhì)量的自動(dòng)化分選。

交叉帶式分揀機(jī)[24]、翻盤式分揀機(jī)[25]、滑塊式分揀機(jī)[26]、擋板式分揀機(jī)[27]、膠帶浮出式分揀機(jī)[28]、輥筒浮出式分揀機(jī)[29]、轉(zhuǎn)盤式分揀機(jī)[5]、條板傾斜式分揀機(jī)[30]等機(jī)械結(jié)構(gòu)相對(duì)簡(jiǎn)單，運(yùn)維成本較低，適合大型生產(chǎn)加工。多自由度機(jī)械臂[31]和真空吸盤[32]結(jié)構(gòu)相對(duì)復(fù)雜，運(yùn)維成本高，適用于特定分揀場(chǎng)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(duì)于水產(chǎn)品的分選依賴重量分選為主，并依靠機(jī)器視覺系統(tǒng)做出分級(jí)操作。對(duì)于魚體姿態(tài)調(diào)整目前仍需人力來完成。

表2所示魚體分選機(jī)構(gòu)存在容易堵塞，造成魚體損傷，且只能依據(jù)魚體態(tài)大小分選，功能單一，無法實(shí)現(xiàn)姿態(tài)調(diào)整。表3所示研究，能夠?qū)崿F(xiàn)魚體前處理加工的頭尾腹部調(diào)整，但存在適用性差，損傷魚體，占地面積大等缺點(diǎn)。本次研究設(shè)計(jì)的機(jī)構(gòu)能夠?qū)崿F(xiàn)占地面積小，魚體損傷少，操作簡(jiǎn)單，維護(hù)便捷，且對(duì)不同規(guī)格的卵形鯧鲹都能有較高的前處理加工效率。

2 機(jī)器視覺

機(jī)器視覺是一種用機(jī)器代替人類視覺系統(tǒng)，收集特征信息，通過計(jì)算機(jī)編程進(jìn)行檢測(cè)和判別的一種技術(shù)。工業(yè)化生產(chǎn)中所使用的機(jī)器視覺，主要是由相機(jī)、光源、鏡頭、圖像采集卡、圖像處理的軟件、PLC、輸出系統(tǒng)等組成[33]。隨著信息技術(shù)的發(fā)展，人工智能成為了如今熱門的研究領(lǐng)域，作為機(jī)器學(xué)習(xí)中一種新的研究方向，深度學(xué)習(xí)也被越來越多的應(yīng)用到圖像處理的領(lǐng)域當(dāng)中。深度學(xué)習(xí)能夠?qū)W習(xí)樣本數(shù)據(jù)中的本身規(guī)律和層次，對(duì)數(shù)據(jù)產(chǎn)生新的解釋，最終達(dá)到人所能達(dá)到的思考和判斷能力。

2.1 國內(nèi)外發(fā)展現(xiàn)狀 20世紀(jì)70年代中期，MIT人工智能實(shí)驗(yàn)室正式開設(shè)機(jī)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(jì)80年代機(jī)器視覺研究領(lǐng)域中一個(gè)十分重要的理論框架[34]。從20世紀(jì)80年代開始，機(jī)器視覺獲得了快速發(fā)展，新的關(guān)于機(jī)器視覺的概念、理論和技術(shù)不斷發(fā)掘，迎來了全球研究的熱潮。

機(jī)器視覺早期發(fā)展于歐美和日本等國家，并誕生了許多著名的機(jī)器視覺相關(guān)產(chǎn)業(yè)公司，包括光源供應(yīng)商日本Moritex;鏡頭廠家美國Navitar、德國Schneider、德國Zeiss、日本Computar等;工業(yè)相機(jī)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(jī)器視覺在中國發(fā)展迅猛，但歐美發(fā)達(dá)國家在機(jī)器視覺技術(shù)上仍占統(tǒng)治地位，其中美國Congnex和日本Keyence占全球50%以上的市場(chǎng)份額，且仍在增長。德國由于其工業(yè)4.0戰(zhàn)略，成為機(jī)器視覺最大的市場(chǎng)。

我國機(jī)器視覺起步較晚，直至20世紀(jì)90年代初，才有少量視覺技術(shù)公司發(fā)展起來，主要包含有材料缺陷、車牌號(hào)識(shí)別等。隨著外資企業(yè)的加入，我國機(jī)器視覺相關(guān)產(chǎn)業(yè)快速發(fā)展，企業(yè)對(duì)機(jī)器視覺技術(shù)進(jìn)一步的看好，機(jī)器視覺逐步在電子、印刷等行業(yè)廣泛應(yīng)用[2]。同時(shí)，機(jī)器視覺在紡織、焊接、農(nóng)業(yè)、制藥、煙草也有了大量運(yùn)用，培養(yǎng)了一大批專業(yè)技術(shù)人員。近年來，我國提出了《中國制造2025》計(jì)劃[35]，到2025年將基本實(shí)現(xiàn)工業(yè)化。得益于政策的引導(dǎo)和扶持，我國機(jī)器視覺產(chǎn)業(yè)的投入和產(chǎn)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(nèi)企業(yè)，已逐漸布局整個(gè)產(chǎn)業(yè)鏈。

2.2 應(yīng)用領(lǐng)域 隨著計(jì)算機(jī)的技術(shù)和工業(yè)科技的快速發(fā)展，機(jī)器視覺被越來越多地應(yīng)用到生產(chǎn)領(lǐng)域，依據(jù)“十四五”規(guī)劃，將機(jī)器視覺深度學(xué)習(xí)納入了重點(diǎn)發(fā)展對(duì)象。目前，機(jī)器視覺系統(tǒng)主要應(yīng)用于工業(yè)、農(nóng)業(yè)、醫(yī)療、交通、等行業(yè)。由于機(jī)器視覺的自身特點(diǎn)和不斷擴(kuò)大的技術(shù)優(yōu)勢(shì)，越來越多的科研機(jī)構(gòu)加入了機(jī)器視覺系統(tǒng)研究的行列。

機(jī)器視覺在工業(yè)中的應(yīng)用主要體現(xiàn)在工業(yè)生產(chǎn)中產(chǎn)品的異常檢測(cè)、對(duì)產(chǎn)品批量的尺寸測(cè)量[37]、材料的檢測(cè)[38]、產(chǎn)品包裝質(zhì)量的檢測(cè)[39]。在物流領(lǐng)域，機(jī)器視覺被用于包裹分揀[40]和避障，對(duì)于一些具有危險(xiǎn)性的工作機(jī)器視覺系統(tǒng)也能勝任，從而極大地提高了生產(chǎn)效率，符合企業(yè)發(fā)展的需求。

機(jī)器視覺在農(nóng)業(yè)領(lǐng)域中也有著非常廣泛的運(yùn)用，被用來監(jiān)測(cè)農(nóng)產(chǎn)品蟲害[41]、根據(jù)大小顏色篩選不同種類的水果蔬菜[42]、還能自動(dòng)識(shí)別種子品質(zhì)[43];在水產(chǎn)品中也有不少應(yīng)用，如在網(wǎng)箱養(yǎng)殖中的魚蝦的活動(dòng)監(jiān)測(cè)[44]，在加工中對(duì)水產(chǎn)品的大小、種類、質(zhì)量的分選。

機(jī)器視覺在各種終端設(shè)備中也有不少的應(yīng)用場(chǎng)合。如醫(yī)療影像領(lǐng)域[45]，機(jī)器視覺能夠依據(jù)病理特征，為醫(yī)生診斷提供依據(jù)參考。在交通監(jiān)控系統(tǒng)中，能實(shí)時(shí)掌握交通動(dòng)向，做出及時(shí)反映，在手機(jī)端上依據(jù)照片已經(jīng)能識(shí)別出多種物品。

除了上述領(lǐng)域，機(jī)器視覺在衛(wèi)星遙感[46]、地圖測(cè)繪、人臉識(shí)別、安全管理等多個(gè)方面發(fā)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(jī)器視覺也被用來分選特定魚類的大小[36]。水果蔬菜的識(shí)別、工業(yè)中產(chǎn)品缺陷的自動(dòng)監(jiān)測(cè)技術(shù)對(duì)于卵形鯧鲹的分選識(shí)別具有重要的借鑒意義。對(duì)于水果監(jiān)控主要有大小和顏色特征的提取，對(duì)于工業(yè)產(chǎn)品缺陷的檢測(cè)主要由輪廓特征提取，將兩者特征提取方法結(jié)合，從理論上即可得到想要的結(jié)果。

2.3 在水產(chǎn)品中的應(yīng)用現(xiàn)狀 機(jī)器視覺技術(shù)在水產(chǎn)品中有著廣泛的應(yīng)用，對(duì)于不同的水產(chǎn)品應(yīng)用，其研究特點(diǎn)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(jī)器視覺在各類水產(chǎn)品中應(yīng)用的研究。

有研究表明，水產(chǎn)動(dòng)物的尺寸屬性和質(zhì)量之間存在很好的相關(guān)性。通過建立尺寸因子與質(zhì)量之間的回歸分析及預(yù)測(cè)模型，便可進(jìn)行質(zhì)量預(yù)測(cè)，并指導(dǎo)后續(xù)的分揀操作。但由于水產(chǎn)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(zhì)量預(yù)測(cè)模型。為了提高預(yù)測(cè)精度，對(duì)于每一個(gè)品種，都需要設(shè)計(jì)不同的質(zhì)量預(yù)測(cè)模型來進(jìn)行質(zhì)量預(yù)測(cè)。

2.4 用于估算魚質(zhì)量的理論基礎(chǔ) 由于增長速度評(píng)估或生態(tài)用途的需要，關(guān)于魚體尺寸和質(zhì)量之間相關(guān)性的研究也已開展了許多年[66-67]。有研究表明：水產(chǎn)動(dòng)物的尺寸屬性和質(zhì)量之間存在很好的相關(guān)性。目前，魚類質(zhì)量估計(jì)研究方法當(dāng)中最常用的是建立尺寸因子與質(zhì)量之間的回歸分析模型。依據(jù)選用的因子個(gè)數(shù)，可分為單因子預(yù)測(cè)模型和多因子預(yù)測(cè)模型2種。

單因子預(yù)測(cè)常用模型主要有長度-質(zhì)量關(guān)系模型[68]和投影面積-質(zhì)量關(guān)系模型[69]等。Liang、Chiou[68]對(duì)這些不同因子的回歸預(yù)測(cè)模型進(jìn)行了比較研究，試驗(yàn)采集了臺(tái)灣羅非魚50個(gè)樣本的投影圖像，獲得其物理屬性，并分別推演出質(zhì)量和長度、質(zhì)量和高度、質(zhì)量和周長、質(zhì)量和面積間的相關(guān)性。結(jié)果表明，質(zhì)量和面積的相關(guān)性最好（R2=0.9303）.在回歸方法上，最經(jīng)典的是Fulton[69]提出的長度-質(zhì)量?jī)缒Ｐ停篧=a·Lb（W為體質(zhì)量，g;a和b是經(jīng)驗(yàn)表征品種和應(yīng)變相關(guān)的參數(shù)，L為體長，cm）。后來許多研究人員在此基礎(chǔ)上進(jìn)行了改進(jìn)研究，分別提出了線性擬合模型、冪模型、對(duì)數(shù)模型以及二次多項(xiàng)式擬合模型等多種預(yù)測(cè)方法。Balaban[70]等、王文靜[71]等在進(jìn)行基于投影面積的魚體質(zhì)量預(yù)測(cè)的研究時(shí)，對(duì)線形擬合、冪模型以及二次多項(xiàng)式擬合等這些不同的預(yù)測(cè)方法進(jìn)行了對(duì)比分析，結(jié)果均顯示冪模型效果最好。

多因子預(yù)測(cè)模型常用方法為多元線性回歸分析法。Beddow[71]等采用52個(gè)多因子參數(shù)回歸分析法來預(yù)測(cè)魚的質(zhì)量。Lines[73]等通過建立一系列長度因子與魚體質(zhì)量的回歸方程來評(píng)估魚的質(zhì)量。還有研究人員（Odone等）[74]提出采用支持向量機(jī)模型（support vector machine，SVM）來判定魚體質(zhì)量和形狀參數(shù)間的相關(guān)性，從而實(shí)現(xiàn)魚體質(zhì)量的預(yù)測(cè)。Viazzi[75]等在研究利用2D視覺技術(shù)進(jìn)行玉鱸魚體質(zhì)量預(yù)測(cè)時(shí)，分析比較了多因子線性預(yù)測(cè)和單因子線性預(yù)測(cè)的結(jié)果，發(fā)現(xiàn)利用面積-質(zhì)量關(guān)系的單因子線性預(yù)測(cè)的效果和利用面積、長度和高度等多因子預(yù)測(cè)的結(jié)果基本一致，且都優(yōu)于長度-質(zhì)量關(guān)系的曲線預(yù)測(cè)模型，研究還發(fā)現(xiàn)利用去除尾鰭后的面積進(jìn)行預(yù)測(cè)的效果會(huì)更好。

從上述研究成果當(dāng)中分析，不難發(fā)現(xiàn)：在根據(jù)魚體形狀屬性進(jìn)行質(zhì)量預(yù)測(cè)時(shí)，無論是單因子分析，還是多因子預(yù)測(cè)，不存在通用的適合于所有品種魚的質(zhì)量預(yù)測(cè)模型。為了提高預(yù)測(cè)精度，對(duì)于每一個(gè)品種，都需要設(shè)計(jì)不同的質(zhì)量預(yù)測(cè)模型來進(jìn)行魚體質(zhì)量預(yù)測(cè)。因此，可以設(shè)計(jì)一個(gè)適用于金鯧魚的質(zhì)量預(yù)測(cè)模型來進(jìn)行研究。

2.5 應(yīng)用優(yōu)勢(shì) （1）機(jī)器視覺能夠根據(jù)需求調(diào)整監(jiān)測(cè)范圍;（2）能夠無接觸式，無干擾不間斷監(jiān)測(cè);（3）能夠?qū)崿F(xiàn)多個(gè)指標(biāo)數(shù)值（長度、寬度、高度、面積、周長、顏色和質(zhì)量等多個(gè)形態(tài)參數(shù)）同時(shí)記錄，測(cè)量和計(jì)算;（4）依據(jù)測(cè)量和計(jì)算結(jié)果，給出客觀準(zhǔn)確穩(wěn)定的評(píng)價(jià);（5）除了應(yīng)用在水產(chǎn)品當(dāng)中，它還可以通過調(diào)參實(shí)現(xiàn)更多場(chǎng)景的應(yīng)用;（6）從經(jīng)濟(jì)性上考慮，如果采用模塊化設(shè)計(jì)，采用一套機(jī)器識(shí)別的設(shè)備從長遠(yuǎn)來看，節(jié)約人工成本的同時(shí)，也能給加工企業(yè)帶了不錯(cuò)的經(jīng)濟(jì)效益，也是卵形鯧鲹加工產(chǎn)業(yè)朝著智能化的方向發(fā)展的重要路徑。

2.6 面臨的挑戰(zhàn) 盡管機(jī)器視覺在水產(chǎn)品中已有較多應(yīng)用，但應(yīng)用在卵形鯧鲹前處理加工中仍存在以下幾個(gè)問題需要解決：（1）拍攝環(huán)境光源對(duì)于圖像識(shí)別的結(jié)果影響較大，殘留的水漬等污染物容易造成系統(tǒng)誤識(shí)別，影響攝像機(jī)拍攝的成像，最終處理結(jié)果會(huì)存在較大誤差。（2）在拍攝過程中，會(huì)存在一條半或多個(gè)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(jī)構(gòu)選取，傳送裝置的材料，結(jié)構(gòu)、傳送速度、電機(jī)功率等參數(shù)需要大量實(shí)驗(yàn)比對(duì)才能得出最優(yōu)結(jié)果。（4）卵形鯧鲹的姿態(tài)調(diào)整建立在角度測(cè)量準(zhǔn)確的基礎(chǔ)上，由于最小矩形框的角度測(cè)量方法存在誤差，且范圍存在不確定，需要通過實(shí)驗(yàn)來確定誤差范圍并進(jìn)行算法優(yōu)化。

3 卵形鯧鲹分選設(shè)備的研究目的及內(nèi)容

卵形鯧鲹分選設(shè)備主要實(shí)現(xiàn)功能：對(duì)卵形鯧鲹的規(guī)格大小進(jìn)行自動(dòng)化分揀以及魚體姿態(tài)進(jìn)行調(diào)整。初步功能若能實(shí)現(xiàn)，還將對(duì)卵形鯧鲹進(jìn)行雌雄判斷，品質(zhì)檢測(cè)，魚體破損識(shí)別的研究。

研究設(shè)計(jì)的方法主要包含：

（1）通過OpenCV-python對(duì)圖像進(jìn)行預(yù)處理，用canny邊緣檢測(cè)算子求得圖像周長面積等參數(shù)。再對(duì)固定相機(jī)進(jìn)行標(biāo)定，得到圖像實(shí)際面積、周長。

（2）通過Mask-RCNN語義分割算法實(shí)現(xiàn)實(shí)時(shí)圖像語義分割，通過采用減少圖像經(jīng)過的網(wǎng)絡(luò)層數(shù)，利用級(jí)聯(lián)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(dá)到實(shí)時(shí)分割的效果?；蚧诰幋a器——解碼器結(jié)構(gòu)，采用分解濾波器策略，使用低階近似卷積操作分解為跟簡(jiǎn)單的操作，減少計(jì)算量實(shí)現(xiàn)實(shí)時(shí)分割，最終輸出魚體的角度參數(shù)。

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

4 結(jié)語

隨著機(jī)器視覺技術(shù)的發(fā)展，水產(chǎn)品分揀裝備技術(shù)發(fā)展也會(huì)越來越快。未來分揀裝備發(fā)展方向：應(yīng)用模塊化技術(shù)，使用一套計(jì)算機(jī)視覺系統(tǒng)搭配多個(gè)模塊化分揀裝備，實(shí)現(xiàn)多個(gè)種類的水產(chǎn)品的實(shí)時(shí)在線分選?；谀K化的設(shè)計(jì)，未來分選裝備可以朝微型化的方向發(fā)展。對(duì)于鮮活水產(chǎn)的水下分選需求，基于機(jī)器視覺的水下在線分揀裝備也將是今后研究的一大熱點(diǎn)。

機(jī)器視覺作為現(xiàn)代科技的先行領(lǐng)域，發(fā)展的越來越成熟，在卵形鯧鲹中的成功應(yīng)用，將會(huì)給水產(chǎn)加工行業(yè)帶來很多的可能性。提高機(jī)器視覺系統(tǒng)的檢測(cè)計(jì)算能力和可靠性，擴(kuò)大機(jī)器視覺技術(shù)應(yīng)用的廣度和深度，是值得研究者們探究的方向。作為一項(xiàng)在水產(chǎn)加工中新的應(yīng)用技術(shù)，機(jī)器視覺還有很多的未知性。對(duì)于設(shè)計(jì)一臺(tái)適合分揀卵形鯧鲹的分揀機(jī)構(gòu)，可以充分吸收物流裝備領(lǐng)域中的先進(jìn)理念，依據(jù)卵形鯧鲹的特點(diǎn)，結(jié)合實(shí)驗(yàn)數(shù)據(jù)得到最佳方案。

參考文獻(xiàn)

[1]中國漁業(yè)協(xié)會(huì)金鯧魚分會(huì)：中國金鯧魚產(chǎn)業(yè)發(fā)展報(bào)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(qiáng).機(jī)器視覺技術(shù)研究進(jìn)展及展望[J].圖學(xué)學(xué)報(bào)，2020，41（06）：871-890.

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

[4]Hufschmied P，F(xiàn)ankhauser 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(zhuǎn)盤式物流分揀設(shè)備的研究[J].湖北農(nóng)機(jī)化，2019（11）：60.

[6]曾天強(qiáng).智能化貨物分揀系統(tǒng)的研究與開發(fā)[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(shí)驗(yàn)裝置系統(tǒng)設(shè)計(jì)[J].中國儲(chǔ)運(yùn)，2005（6）：65-66.

[8]謝偉東，王磊，佘翊妮，等.條煙自動(dòng)分揀的異步法及其裝置[J].工程設(shè)計(jì)學(xué)報(bào)，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(shè)計(jì)[J].包裝與食品機(jī)械，2018，036（005）：36-41.

[10]劉彪.基于視覺監(jiān)測(cè)處理的分揀機(jī)械裝置[J].現(xiàn)代農(nóng)機(jī)，2020（04）：28.

[11]劉智豪，楊斌，萬宏強(qiáng)，等.多用途水果分揀裝置設(shè)計(jì)[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(dòng)分揀裝置[J].中國戰(zhàn)略新興產(chǎn)業(yè)，2018，000（04X）：121.

[13]林海青.水產(chǎn)品分選機(jī)構(gòu)的可調(diào)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(xué)，2012.

[15]不公告發(fā)明人.一種水產(chǎn)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(chǎn)品的分選系統(tǒng)[P].廣西壯族自治區(qū)：CN208960414U，2019-06-11.

[17]劉憲海.一種水產(chǎn)品分選裝置[P].山東省：CN208879101U，2019-05-21.

[18]鄧凱旋.一種水產(chǎn)品的分選機(jī)構(gòu)[P].廣東省：CN208786890U，2019-04-26.

[19]林海青.一種水產(chǎn)品的分選機(jī)構(gòu)[P].浙江：CN205914412U，2017-02-01.

[20]楊昌兵.一種魚類水產(chǎn)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(tài)調(diào)整裝置及方法[P].湖北省：CN112374101A，2021-02-19.

[22]吳文錦，丁安子，汪蘭，等.定向調(diào)整裝置、魚類生產(chǎn)線姿態(tài)調(diào)整設(shè)備及方法[P].湖北?。篊N112374098A，2021-02-19.

[23]魯力.淡水魚加工生產(chǎn)線關(guān)鍵技術(shù)研究[D].武漢：武漢輕工大學(xué)，2017.

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

[25]王長春，安東波，陳德高，等.一種翻盤擋板聯(lián)動(dòng)機(jī)構(gòu)及翻盤式分揀機(jī)：，CN110813765A[P].2020.

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

[27]佚名.皮帶軌送擋板式色果分揀機(jī)[J].中國郵政，1978（3）.

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

[29]袁阿勇.新型智能化貨物分揀系統(tǒng)的研究與開發(fā)[D].武漢理工大學(xué).

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

[31]任成鵬.一種基于視覺算法的機(jī)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(jī)器視覺[J].現(xiàn)代計(jì)算機(jī)，2020，702（30）：67-70，77.

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

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

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

[37]莫之劍，范彥斌，全燕鳴.基于機(jī)器視覺產(chǎn)品尺寸在線檢測(cè)的實(shí)踐研究[J].佛山科學(xué)技術(shù)學(xué)院學(xué)報(bào)（自然科學(xué)版），2006，24（001）：25-28.

[38]李大偉.基于機(jī)器視覺的磁性材料檢測(cè)方法研究[D].濟(jì)南：山東大學(xué)，2011.

[39]任小川，王晶.卷煙條盒包裝質(zhì)量檢測(cè)機(jī)器視覺系統(tǒng)設(shè)計(jì)[J].控制工程，2006，13（S2）：58-60.

[40]鄧文輝.一種基于機(jī)器視覺的包裹分揀設(shè)備：，CN109047003A[P].2018.

[41]潘志國.機(jī)器視覺技術(shù)在農(nóng)作物病蟲害的研究與應(yīng)用[J].電子測(cè)試，2014（3）：57-58.

[42]童旭.基于機(jī)器視覺水果表面等級(jí)分類識(shí)別的研究[D].重慶：重慶交通大學(xué)，2018.

[43]成芳，應(yīng)義斌.機(jī)器視覺技術(shù)在農(nóng)作物種子質(zhì)量檢驗(yàn)中的應(yīng)用研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào)，2001，17（6）：175-179.

[44]張偉.基于機(jī)器視覺技術(shù)的缺損對(duì)蝦在線識(shí)別與剔除系統(tǒng)研究[D].杭州：浙江大學(xué)，2018.

[45]劉晨曦，周大維，蔣正乾，等.機(jī)器視覺在醫(yī)學(xué)影像處理的應(yīng)用[J].醫(yī)學(xué)研究，2019，001（004）：8-9.

[46]龔文斌，石章松，韋華.高分辨率遙感衛(wèi)星圖像不均勻云霧去除算法[J].激光與光電子學(xué)進(jìn)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(jī)器視覺的魚類行為特征提取與分析[J].生態(tài)毒理學(xué)報(bào)，2017，012（005）：193-203.

[49]孟祥輝.基于機(jī)器視覺的養(yǎng)殖大黃魚弧菌病監(jiān)測(cè)技術(shù)研究[D].成都：電子科技大學(xué)，2013.

[50]林妙玲.基于機(jī)器視覺的蝦體位姿和特征點(diǎn)識(shí)別[D].杭州：浙江大學(xué)，2007.

[51]楊眉.基于機(jī)器視覺的貝類自動(dòng)識(shí)別與定位方法研究[D].大連：大連海洋大學(xué)，2014.

[52]周超，徐大明，吝凱，等.基于近紅外機(jī)器視覺的魚類攝食強(qiáng)度評(píng)估方法研究[J].智慧農(nóng)業(yè)，2019，001（001）：76-84.

[53]張超，徐建瑜，王文靜.基于機(jī)器視覺的梭子蟹質(zhì)量估計(jì)方法研究[J].寧波大學(xué)學(xué)報(bào)（理工版），2014（2）：49-51.

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

[55]王成.基于機(jī)器視覺的魚類定制切段方法及設(shè)備設(shè)計(jì)[D].大連工業(yè)大學(xué)，2017.

[56]邢士元，劉艷秋，鄭元松，等.基于機(jī)器視覺的海產(chǎn)品外觀品質(zhì)分級(jí)方法[J].大連工業(yè)大學(xué)學(xué)報(bào)，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，F(xiàn)aisal Shafait，F(xiàn)ish 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(jī)器視覺的水下鲆鰈魚類質(zhì)量估計(jì)[J].農(nóng)業(yè)工程學(xué)報(bào)，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(zé)編：張宏民）