基于多維度特征和LightGBM的大閘蟹質(zhì)量估算方法

段青玲 陳 鑫 許冠華 樊宇星 張玉玲

(1.中國(guó)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院， 北京 100083； 2.中國(guó)農(nóng)業(yè)大學(xué)國(guó)家數(shù)字漁業(yè)創(chuàng)新中心， 北京 100083；3.江蘇中農(nóng)物聯(lián)網(wǎng)科技有限公司， 宜興 214200; 4.中國(guó)農(nóng)業(yè)大學(xué)煙臺(tái)研究院， 煙臺(tái) 261400)

0 引言

大閘蟹，學(xué)名中華絨螯蟹，又稱河蟹，是我國(guó)最重要的養(yǎng)殖蟹類之一，其肉質(zhì)鮮美、營(yíng)養(yǎng)豐富，年產(chǎn)量超過80萬t，養(yǎng)殖面積達(dá)6.67×105hm2以上[1]。在大閘蟹養(yǎng)殖過程中，蟹農(nóng)需要定期稱量其質(zhì)量以確定投餌量、監(jiān)測(cè)其生長(zhǎng)狀況。大閘蟹成熟后，蟹體質(zhì)量也是品質(zhì)分級(jí)重要標(biāo)準(zhǔn)之一。傳統(tǒng)的蟹體質(zhì)量測(cè)量方法是人工取樣并稱量，體重計(jì)示數(shù)容易因蟹體的應(yīng)激行為而不準(zhǔn)確，而且費(fèi)工費(fèi)時(shí)。因此實(shí)現(xiàn)蟹體質(zhì)量的無損精確測(cè)量對(duì)大閘蟹科學(xué)高效養(yǎng)殖有重要作用。

計(jì)算機(jī)視覺技術(shù)以其非侵入性、客觀、高精度的特點(diǎn)成為無損檢測(cè)水生生物特征的最重要手段[2-6]，目前已在魚體質(zhì)量估算中得到應(yīng)用[7-9]。關(guān)于蟹體質(zhì)量估算的研究較少，主要方法分為簡(jiǎn)單數(shù)據(jù)擬合方法和機(jī)器學(xué)習(xí)方法兩類?；诤?jiǎn)單數(shù)據(jù)擬合的質(zhì)量估算方法研究中，王靜安等[10]對(duì)池塘養(yǎng)殖的大閘蟹質(zhì)量與甲長(zhǎng)、甲寬的關(guān)系分別進(jìn)行研究，發(fā)現(xiàn)甲長(zhǎng)、甲寬與質(zhì)量存在很好的線性關(guān)系，其中公蟹質(zhì)量與甲長(zhǎng)、甲寬的相關(guān)系數(shù)分別為0.889 2、0.813 8，母蟹與甲長(zhǎng)、甲寬的相關(guān)系數(shù)分別為0.821 4、0.903 3。張超等[11]采集不同生長(zhǎng)階段的梭子蟹圖像并提取其投影面積，利用普通最小二乘法(Ordinary least square，OLS)對(duì)蟹體面積和質(zhì)量分別進(jìn)行線性擬合、多項(xiàng)式擬合、冪次擬合，其中擬合效果最好的是二次多項(xiàng)式，決定系數(shù)為0.922 0，結(jié)果表明梭子蟹體質(zhì)量與投影面積緊密聯(lián)系?；跈C(jī)器學(xué)習(xí)的質(zhì)量估算方法研究中，唐楊捷等[12]采用分水嶺分割技術(shù)得到梭子蟹頭背甲圖像，然后提取了投影面積、甲長(zhǎng)、甲寬3個(gè)特征，采用遺傳算法(Genetic algorithms，GA)優(yōu)化的支持向量機(jī)(Support vector machine, SVM)算法建立梭子蟹質(zhì)量三因子回歸預(yù)測(cè)模型，估算蟹體質(zhì)量，模型預(yù)測(cè)的均方根誤差為5.80 g，平均絕對(duì)百分比誤差為2.23%。唐潮等[13]在養(yǎng)殖背景下采用模板匹配法分割出梭子蟹背甲，提取投影面積、甲長(zhǎng)、甲寬3個(gè)特征，采用K-means聚類算法和支持向量回歸(Support vector regression，SVR)建立雙模型回歸預(yù)測(cè)結(jié)構(gòu)，實(shí)現(xiàn)梭子蟹質(zhì)量預(yù)測(cè)，模型預(yù)測(cè)的均方根誤差為18.90 g，最大相對(duì)誤差為17.62%，最小相對(duì)誤差為0.67%?，F(xiàn)有研究中，基于機(jī)器學(xué)習(xí)的蟹體質(zhì)量估算方法主要應(yīng)用于梭子蟹，且精度有待進(jìn)一步提高，大閘蟹養(yǎng)殖以池塘養(yǎng)殖為主，實(shí)驗(yàn)條件下固定拍攝高度的圖像采集方法不適用，需要提供便捷精準(zhǔn)的野外質(zhì)量估算方法。

目前對(duì)大閘蟹質(zhì)量估算的研究主要是從背甲的形狀特征著手，但有關(guān)生理研究表明大閘蟹質(zhì)量與其體色密切相關(guān)，大閘蟹背甲的色澤體現(xiàn)其發(fā)育狀況[14-16]。甲殼動(dòng)物的色澤與其組織內(nèi)的類胡蘿卜素尤其是蝦青素含量密切相關(guān)[17-19]，類胡蘿卜素是大閘蟹性腺成熟過程中必需的營(yíng)養(yǎng)元素，在其性腺發(fā)育過程中具有重要作用[20-21]，故色澤作為評(píng)判大閘蟹肥滿和成熟程度的重要依據(jù)，被廣泛應(yīng)用到大閘蟹的品質(zhì)分級(jí)中[21-23]。肥滿度為大閘蟹的質(zhì)量與蟹殼面積的比值，蟹殼大小相同的蟹體越肥滿蟹體質(zhì)量越大，背甲顏色為墨綠色的大閘蟹大都肥滿，為黃色的大都瘦弱[24]，因此，形狀特征和顏色特征都是大閘蟹質(zhì)量估算的重要依據(jù)，但是把顏色特征應(yīng)用到大閘蟹質(zhì)量估算的研究鮮見報(bào)道。

本文結(jié)合大閘蟹生理特性，將顏色特征應(yīng)用于大閘蟹質(zhì)量估算研究，在大閘蟹質(zhì)量與背甲形狀、背甲色澤形成機(jī)理的研究基礎(chǔ)上，提出一種基于顏色、形狀多維度特征和LightGBM的大閘蟹質(zhì)量估算方法。首先采集蟹體圖像，采用圖像處理技術(shù)對(duì)圖像進(jìn)行分割以獲取蟹體背甲圖像，然后提取背甲形狀特征和顏色特征，并采用標(biāo)定法[25]計(jì)算形狀特征值，最后基于LightGBM方法預(yù)測(cè)大閘蟹質(zhì)量。

1 質(zhì)量估算與方法

1.1 數(shù)據(jù)采集

為獲得大閘蟹質(zhì)量數(shù)據(jù)和圖像數(shù)據(jù)，首先把大閘蟹放置在電子秤上進(jìn)行稱量并記錄示數(shù)，采樣電子秤精度為0.1 g，然后把大閘蟹移至由相機(jī)、底板、硬幣構(gòu)成的大閘蟹圖像采集裝置上拍攝其俯視圖像，采樣相機(jī)為Nikon D7100，拍攝過程中隨機(jī)調(diào)整相機(jī)高度[26]，以滿足大閘蟹養(yǎng)殖過程中蟹農(nóng)采集圖像時(shí)無固定高度的要求。

本文于2020年在江蘇省宜興市高騰大閘蟹養(yǎng)殖基地和北京西三旗花鳥魚蟲市場(chǎng)采集個(gè)體尺寸不同的大閘蟹151只，質(zhì)量為58.4～133.9 g，具體樣本質(zhì)量分布區(qū)間見表1。大閘蟹背部呈墨綠色或灰黑色[27]，實(shí)驗(yàn)中采用白色為放置蟹體的底板顏色。圖像尺寸為4 032像素×3 024像素，存儲(chǔ)格式為JPG，共采集圖像1 230幅。

表1 樣本質(zhì)量分布區(qū)間Tab.1 Sample quality distribution interval

1.2 基于計(jì)算機(jī)視覺的大閘蟹質(zhì)量估算方法

本文在大閘蟹背甲的形狀、色澤研究的基礎(chǔ)上提出了基于多維度特征和LightGBM的大閘蟹質(zhì)量估算方法。將采集到的圖像進(jìn)行預(yù)處理，處理后的圖像提取投影面積、甲寬、甲長(zhǎng)等形態(tài)學(xué)特征和RGB等顏色特征，通過LightGBM建立大閘蟹質(zhì)量預(yù)測(cè)模型，并在智能終端上實(shí)現(xiàn)該方法。本研究方法的整體流程如圖1所示。

圖1 大閘蟹質(zhì)量估算方法流程圖Fig.1 Process of Chinese mitten crab weight estimation

1.3 圖像預(yù)處理

圖像預(yù)處理是為了消除圖像中的無關(guān)信息，提高關(guān)鍵信息的可檢測(cè)性，從而提升特征提取的效率和效果。本實(shí)驗(yàn)預(yù)處理包含圖像縮放、圖像分割、圖像二值化、孔洞填充及圖像去噪。

為節(jié)約圖像處理的時(shí)間成本，把圖像尺寸從4 032像素×3 024像素縮放至672像素×504像素，縮放前后圖像橫寬比、大閘蟹形態(tài)相同，對(duì)實(shí)驗(yàn)精度無影響。為獲得大閘蟹背甲圖像，采用Grabcut對(duì)胸足和背甲進(jìn)行分割，如圖2所示。

圖2 縮放、分割結(jié)果Fig.2 Results of image scaling and segmentation

接著采用自定義均值閾值法得到背甲的二值圖像，如圖3a所示，可見二值圖像存在孔洞和噪點(diǎn)，這會(huì)對(duì)中華絨螯蟹形態(tài)特征提取結(jié)果造成影響，為保證所提取的特征值能準(zhǔn)確反映實(shí)際情況，用形態(tài)學(xué)重建的方法填補(bǔ)二值化圖像的孔洞。形態(tài)學(xué)重建是一種基于集合膨脹、求補(bǔ)和交集的算法，填充的核心公式為

(1)

其中

式中H′——孔洞填充結(jié)果圖

IC——原始二值圖像補(bǔ)集

B′——結(jié)構(gòu)元F——標(biāo)記圖像

⊕——膨脹操作

孔洞填充結(jié)果如圖3b所示。最后，用面積閾值法去噪，提取二值圖像中每一個(gè)孤立區(qū)域輪廓面積信息保存在向量中，設(shè)置面積閾值，將面積小于閾值的區(qū)域填充背景，結(jié)果如圖3c所示。

圖3 二值化、孔洞填充、閾值去噪結(jié)果Fig.3 Results of image binarization, hole filling and threshold denoising

1.4 特征變量的提取與計(jì)算

圖像特征是指每一幅圖像能夠區(qū)別于其他類圖像的本質(zhì)特點(diǎn)或特性，是能夠表示整幅圖像的具有代表性的信息。圖像特征包括顏色、形狀、紋理等[28]。本文主要提取大閘蟹的形狀特征和顏色特征。

1.4.1形狀特征提取與計(jì)算

形狀特征分為單一形狀特征和不同形狀特征比值兩部分。投影面積、甲寬、甲長(zhǎng)多次用于大閘蟹質(zhì)量估算研究中，但是蟹螯收縮狀態(tài)下的河蟹背甲與地面存在一定的角度，俯拍圖像不能反映甲長(zhǎng)的實(shí)際情況，因此選取投影面積(S′)、甲寬(W)兩個(gè)單一形狀特征值為特征變量。

此外，在數(shù)據(jù)采集過程中隨機(jī)調(diào)整拍攝高度，不同的焦距、物距使得圖像的比例尺度不同，數(shù)據(jù)不具有穩(wěn)定性，為了減小這一影響，除了S′、W兩個(gè)特征外，還選取能反映背甲形態(tài)的其他9個(gè)比例參數(shù)：投影面積與外接矩形面積比(R1)、周長(zhǎng)平方與投影面積比(R2)、圓形度因子(Hcf)、等效圓直徑(Ed)、等效圓直徑與甲寬比(R3)、投影面積與外接圓面積比(R4)、投影面積與凸包面積比(R5)、等效橢圓長(zhǎng)軸長(zhǎng)度與短軸長(zhǎng)度比(R6)、等效橢圓焦點(diǎn)間距與長(zhǎng)軸長(zhǎng)度比(R7)。各特征幾何含義如圖4所示，圖4a中S′表示輪廓投影面積，Sb表示外接矩形面積，W表示甲寬，C表示輪廓周長(zhǎng)；圖4b中Sc表示凸包面積，Se表示外接圓面積；圖4c中aeq表示橢圓的長(zhǎng)軸長(zhǎng)度，beq表示橢圓的短軸長(zhǎng)度，ceq表示橢圓的焦距。

圖4 特征變量幾何含義圖Fig.4 Geometric meaning of characteristic variables

實(shí)驗(yàn)圖像采集時(shí)隨機(jī)調(diào)整相機(jī)高度以符合水產(chǎn)養(yǎng)殖中實(shí)際采樣情況，不同拍攝高度下的同一大閘蟹特征值不同，本文采用標(biāo)定法解決上述問題，實(shí)際特征值計(jì)算公式為

(2)

Va=VsNa

(3)

式中Vs——參照物單個(gè)像素的值

Nc——參照物像素總數(shù)

Vc——參照物實(shí)際特征值

Va——大閘蟹實(shí)際特征值

Na——原始圖像像素個(gè)數(shù)

1.4.2顏色特征提取與計(jì)算

提取蟹殼圖像RGB顏色空間和HIS顏色空間各通道分量為顏色特征變量[29]。RGB顏色空間采用物理三基色表示，以R(紅)、G(綠)、B(藍(lán))三基色按不同比例相加混合而成；HIS顏色空間從人類視覺系統(tǒng)出發(fā)，H(Hue)表示不同的顏色，I(Intensity)表示顏色的明暗程度，S(Saturation)表示顏色深度。I分量與彩色信息無關(guān)，故本文不予考慮，最終提取R、G、B、H、S共5個(gè)通道分量為顏色特征變量。

對(duì)于特征變量的計(jì)算，由于同一大閘蟹背甲的不同區(qū)域顏色差距較大，針對(duì)單個(gè)或者局部像素點(diǎn)進(jìn)行顏色特征值量化都不具有代表性，本研究以像素為單位，取整個(gè)背甲圖像顏色信息平均值為特征變量，平均化公式為

(4)

式中Rij——第i行第j列的R值

Gij——第i行第j列的G值

Bij——第i行第j列的B值

由R、G、B計(jì)算出特征變量H、S，計(jì)算公式為

(5)

(6)

圖5 顏色特征值計(jì)算流程圖Fig.5 Flow chart of color feature value calculation

1.5 基于LightGBM的大閘蟹質(zhì)量預(yù)測(cè)模型

通過預(yù)測(cè)算法構(gòu)建質(zhì)量估算模型，實(shí)現(xiàn)大閘蟹的質(zhì)量估算。LightGBM引入了基于梯度的單邊采樣(Gradient-based one-side sampling，GOSS)和互斥特征綁定(Exclusive feature bundling，EFB) 實(shí)現(xiàn)對(duì)GBDT的優(yōu)化，取得訓(xùn)練的高效率和高精度[30]，在多個(gè)預(yù)測(cè)領(lǐng)域均展示出了良好的效果[31-33]，所以本文采用LightGBM算法對(duì)大閘蟹的質(zhì)量進(jìn)行預(yù)測(cè)。

初始算法模型為

(7)

式中FM——提升樹函數(shù)

M——決策樹的個(gè)數(shù)

T——決策樹函數(shù)

x——大閘蟹各特征變量

Θm——決策樹的參數(shù)

m——迭代次數(shù)

將大閘蟹特征值樣本放入弱學(xué)習(xí)器進(jìn)行訓(xùn)練，并通過最小化損失函數(shù)來確定參數(shù)Θm。

(8)

式中yi——大閘蟹質(zhì)量

xi——與大閘蟹質(zhì)量相關(guān)的特征變量

f——損失函數(shù)L——最小化損失函數(shù)

N——樣本數(shù)據(jù)集序列長(zhǎng)度

其中損失函數(shù)初始化為

(9)

式中c——損失函數(shù)極小化常數(shù)

訓(xùn)練過程中每次迭代所得殘差與xi擬合成回歸樹，最小化當(dāng)前損失函數(shù)求出各個(gè)葉子結(jié)點(diǎn)的輸出值Cm,j為

(10)

式中j——結(jié)點(diǎn)區(qū)域序號(hào)

y——大閘蟹質(zhì)量

Rm,j——第m棵樹的葉結(jié)點(diǎn)區(qū)域

Cm,j更新回歸樹后對(duì)每個(gè)弱學(xué)習(xí)器加權(quán)，得到最終的大閘蟹質(zhì)量估算模型為

(11)

I′——更新回歸樹時(shí)，參與迭代的參數(shù)

J——結(jié)點(diǎn)區(qū)域個(gè)數(shù)

1.6 模型性能評(píng)估方法

將本文方法與其他蟹體質(zhì)量估算方法(本文提取的11個(gè)形狀特征和LightGBM(SF-LightGBM)、3因子形狀特征和LightGBM(SF3-LightGBM)、area-OLS[11]、MF-SVM[12]、MF-BPNN[26])進(jìn)行了對(duì)比。

在智能終端上實(shí)現(xiàn)本文方法，用戶可在微信小程序上上傳大閘蟹圖像，從而獲取大閘蟹質(zhì)量。

實(shí)驗(yàn)開發(fā)環(huán)境為：算法編程語(yǔ)言為Python 3.7(64位)，開發(fā)環(huán)境為Anaconda 3。圖像預(yù)處理、特征提取與計(jì)算基于OpenCV包實(shí)現(xiàn)，LightGBM、SVM模型基于sklearn包實(shí)現(xiàn)，BPNN基于Keras包實(shí)現(xiàn)。本文采用平均絕對(duì)誤差(Mean absolute error，MAE)、均方根誤差(Root mean square error，RMSE)、決定系數(shù)R2評(píng)估模型的準(zhǔn)確性。

2 結(jié)果與討論

2.1 圖像預(yù)處理結(jié)果

圖6為5只大小、姿態(tài)不同的大閘蟹圖像的預(yù)處理結(jié)果。為了更好呈現(xiàn)預(yù)處理效果，背甲圖像面積均擴(kuò)大為原圖的1.5倍。

圖6 大閘蟹圖像預(yù)處理結(jié)果Fig.6 Results of Chinese mitten crab image preprocessing

2.2 特征提取結(jié)果與分析

采用定標(biāo)法計(jì)算形狀特征值，以同一圖像在不同拍攝高度下的投影面積為例，由參照物求出單個(gè)像素面積，背甲投影面積與單個(gè)像素面積的乘積即為實(shí)際特征值，實(shí)際投影面積如表2所示，不同拍攝高度下的圖像經(jīng)過計(jì)算后與實(shí)際特征值相近。其他形狀特征計(jì)算方法同上。

表2 實(shí)際投影面積Tab.2 Actual projected area

表3 顏色特征值Tab.3 Color feature value

2.3 質(zhì)量估算結(jié)果與分析

本實(shí)驗(yàn)共有1 230個(gè)樣本數(shù)據(jù)，將樣本數(shù)據(jù)按7∶3劃分為訓(xùn)練集和驗(yàn)證集，將LightGBM的采樣率設(shè)置為0.8，學(xué)習(xí)率設(shè)置為0.1，算法輸入層的回歸樹數(shù)目設(shè)置為200。將回歸樹葉子結(jié)點(diǎn)數(shù)設(shè)置為70，最大深度設(shè)置為7，防止過擬合的同時(shí)能夠獲得較好的精度。通過多次實(shí)驗(yàn)結(jié)果表明，LightGBM模型使用LGBMRegressor回歸器并選取Lasso作為評(píng)估函數(shù)時(shí)，對(duì)大閘蟹的質(zhì)量預(yù)測(cè)結(jié)果誤差較小。基于Goss和EFB的LihgtGBM算法在幾乎不損失模型精度的同時(shí)極大地加速了模型訓(xùn)練速度，最終實(shí)驗(yàn)結(jié)果MAE為2.751 g，RMSE為3.680 g，R2為0.949，預(yù)測(cè)效果較好。圖7為樣本的預(yù)測(cè)結(jié)果散點(diǎn)圖。

圖7 大閘蟹質(zhì)量預(yù)測(cè)結(jié)果Fig.7 Results of Chinese mitten crab weight prediction

實(shí)驗(yàn)共有369個(gè)樣本預(yù)測(cè)結(jié)果，隨機(jī)選取20個(gè)樣本的預(yù)測(cè)結(jié)果組成誤差分析表，如表4所示，所選樣本實(shí)測(cè)質(zhì)量為73.3～123.9 g，預(yù)測(cè)質(zhì)量76.1～122.1 g，表內(nèi)數(shù)據(jù)取樣具有隨機(jī)性，質(zhì)量區(qū)間與全體數(shù)據(jù)集相近，故表4對(duì)于實(shí)驗(yàn)的整體結(jié)果有較好的代表性。大部分預(yù)測(cè)結(jié)果的相對(duì)誤差小于3%，對(duì)于較大的相對(duì)誤差，如樣本編號(hào)270為5.910%，原因可能是蟹螯和蟹殼顏色相似。

表4 預(yù)測(cè)結(jié)果誤差分析Tab.4 Error analysis of prediction results

2.4 不同模型對(duì)比結(jié)果與分析

為了進(jìn)一步驗(yàn)證本文方法的性能，將其與本文提取的11個(gè)形狀特征和LightGBM(SF-LightGBM)、3因子形狀特征和LightGBM(SF3-LightGBM)、area-OLS[11]、MF-SVM[12]、MF-BPNN[26]進(jìn)行對(duì)比，SVM的參數(shù)設(shè)定為懲罰因子C′=0.988 3，核函數(shù)參數(shù)ρ=2.424 2；BPNN模型的拓?fù)浣Y(jié)構(gòu)為16×33×1，即輸入層節(jié)點(diǎn)數(shù)為16，隱含層節(jié)點(diǎn)數(shù)為33，輸出層節(jié)點(diǎn)數(shù)為1，學(xué)習(xí)率設(shè)置為0.01，隱含層激活函數(shù)為ReLU函數(shù)，輸出層激活函數(shù)為linear函數(shù)，結(jié)果如表5所示。

由表5可知，本文方法的性能優(yōu)于其他模型。與模型SF-LightGBM相比，平均絕對(duì)誤差降低了49.92%，均方根誤差降低了46.33%，決定系數(shù)提高了20.89%；與SF3-LightGBM相比，平均絕對(duì)誤差降低了 59.00%，均方根誤差降低了54.91%，決定系數(shù)提高了36.35%；與模型area-OLS相比，平均絕對(duì)誤差降低了61.90%，均方根誤差降低了58.22%，決定系數(shù)提高了37.74%；與模型MF-BPNN相比，平均絕對(duì)誤差降低了44.76%，均方根誤差降低了42.27%，決定系數(shù)提高了16.44%；與模型MF-SVM相比，平均絕對(duì)誤差降低了51.12%，均方根誤差降低了51.65%，決定系數(shù)提高了25.70% 。

表5 大閘蟹質(zhì)量估算方法實(shí)驗(yàn)對(duì)比結(jié)果Tab.5 Experimental comparison results and analysis of weight estimation methods

提取了顏色、形狀特征的模型與僅提取形狀特征的模型相比，性能得到顯著提升，說明大閘蟹背甲色澤是衡量發(fā)育狀況的重要指標(biāo)，是估算大閘蟹質(zhì)量的重要依據(jù)。當(dāng)模型輸入特征為面積或面積、甲寬、甲長(zhǎng)3個(gè)特征時(shí)性能最差，可見形狀特征提取中選取的反映背甲形態(tài)的其他9個(gè)比例參數(shù)，能在很大程度上解決隨機(jī)調(diào)整相機(jī)高度導(dǎo)致的特征值數(shù)據(jù)不穩(wěn)定的問題。

綜上所述，本文方法具有更好的準(zhǔn)確性， MAE、RMSE、R2均優(yōu)于其他模型，預(yù)測(cè)值最接近實(shí)際測(cè)量值。

本文通過開發(fā)的小程序在智能終端上實(shí)現(xiàn)大閘蟹質(zhì)量預(yù)測(cè)，小程序基于Fastapi框架，前端采用WXML、WXSS、JS，后端采用Python 3.7，適用于普通智能手機(jī)。上傳大閘蟹圖像進(jìn)行測(cè)試，大閘蟹實(shí)際質(zhì)量為107.4 g，預(yù)測(cè)結(jié)果為107.8 g，預(yù)測(cè)絕對(duì)誤差為0.4 g，相對(duì)誤差為0.372%，本文方法在智能終端上預(yù)測(cè)精度較高，可應(yīng)用于實(shí)際養(yǎng)殖。

3 結(jié)論

(1)提出了一種基于多維度特征和LightGBM的大閘蟹質(zhì)量估算方法。提取背甲輪廓比值作為形狀特征，解決了隨機(jī)調(diào)整相機(jī)高度導(dǎo)致的特征值數(shù)據(jù)不穩(wěn)定的問題，提取大閘蟹背甲顏色特征，把大閘蟹品質(zhì)分級(jí)的重要依據(jù)應(yīng)用到質(zhì)量估算中，與僅提取形狀特征模型對(duì)比，平均絕對(duì)誤差降低49.92%，均方根誤差降低46.33%，決定系數(shù)提高20.89%，模型準(zhǔn)確率有效提高。

(2)將本文方法與SF-LightGBM、SF3-LightGBM 、area-OLS、MF-BPNN和MF-SVM進(jìn)行對(duì)比，結(jié)果表明，本文方法可以快速準(zhǔn)確地實(shí)現(xiàn)大閘蟹的質(zhì)量估算，MAE為2.751 g，RMSE為3.680 g，R2為0.949，并在智能終端實(shí)現(xiàn)了大閘蟹質(zhì)量的精準(zhǔn)預(yù)測(cè)，對(duì)于實(shí)現(xiàn)不同生長(zhǎng)階段大閘蟹的精準(zhǔn)投喂、生長(zhǎng)監(jiān)測(cè)、商品蟹品質(zhì)分級(jí)具有重要意義。