卵形鲳鲹前处理加工技术及装备研究现状

单佳楠 郑晓伟 张军文

摘 要：卵形鲳鲹是一种重要的海洋生物资源，其肉质鲜美、营养丰富，是鱼片及鱼糜制品的优质原料。目前，卵形鲳鲹主要加工产品有冰鲜、条冻、鱼片、鱼糜和调味制品，但我国的卵形鲳鲹加工利用水平目前仍处于起步阶段。在水产品加工领域中，传统的人工分拣方式存在生产效率低、人工成本高等缺点，而机器视觉系统具有高实效性、高精度、高效率、高使用寿命、无需接触等优势，在卵形鲳鲹分选加工中具有广阔的应用前景。该文介绍了卵形鲳鲹加工的背景、现有设备的种类及优缺点，分析了机器视觉的技术特点及其在水产品加工中的应用优势，并在此基础上对机器视觉在卵形鲳鲹前处理加工中的应用前景和需要重点解决的问题提出了一些设想。

关键词：卵形鲳鲹;机器视觉;分选加工;分拣机构

中图分类号 S963.71 文献标识码 A 文章编号 1007-7731（2022）01-0120-07

随着卵形鲳鲹人工育苗和深水网箱养殖两大关键技术的突破，我国海南等地区的卵形鲳鲹产业取得了快速发展。2019年，全国卵形鲳鲹投苗量达5.8亿尾，养殖产量16.8万t，产业年总产值约200亿元[1]。目前，我国卵形鲳鲹分类加工仍以人工分拣为主，利用机器视觉检测技术并结合高效的自动化分拣机构对水产品进行前处理加工，是我国水产品加工向智能化产业转化的一个有效途径之一，对于我国水产品加工行业的发展而言具有重大意义。

机器视觉作为一种可替代人眼的技术，可以根据需求灵活快速获取图像并调整图像范围，借助图像处理技术和输出数据结果分析，可同步实现检测对象的长度、宽度、高度、面积、周长、颜色和质量等[2]多个形态参数的自动化测量与计算，相较于人工识别，其具有较高的稳定性和精确度，还能有效减少人为主观因素带来的误差。

1 卵形鲳鲹加工技术及装备研究现状

金鲳鱼的学名为卵形鲳鲹（Trachinotus ovatus），在中国分部于东海、南海、台湾海峡等海域，广东、广西、海南、福建沿岸均有一定的资源量。卵形鲳鲹体呈卵形，高而侧扁体长为体高的1.7～1.9倍，尾柄短细，侧扁，头小，高大于长，吻钝，前端儿呈截形。口小，微倾料，口裂始于眼下缘水平线上。青部监青色腹部银色，体侧无黑点奇鲭边缘浅黑色，胸鳍较宽，短于头长尾鳍叉形，头部除眼后部有鳞以外均裸露，体和胸部的鳞片多少埋于皮下，第二背献与骨铺有低的鳞鞘，侧线前部精星波状弯曲[3]。2019年，我国卵形鲳鲹产业总产值约200亿元;其中以饲料业、加工业、装备制造业为主的第二产业产值约60亿元，占总产值的30%[1]。

卵形鲳鲹主要的产品种类，按商品形式分为鲜活、冰鲜、冻品卵形鲳鲹等，按加工工艺可分为全条、“二去”（去鳃、内脏）、鱼片、调味卵形鲳鲹等;按包装方式分为散装、真空、干套袋装卵形鲳鲹等[1]。其中，分选是卵形鲳鲹加工环节中必不可少的工序之一。

目前，国内的卵形鲳鲹分选主要以人工为主，依据分选目的分类，有二次深加工、包装等。可按需求，依据大小规格或重量规格进行筛选。市场上销售的金鲳鱼分选设备以重量分选为主。广东永一智能设备有限公司设计的适用于金鲳鱼的基于机器视觉对水产品分级分选的设备，其分拣机构采用了挡板推出式结构。由于商家生产的设备为通用型视觉挡板式分选设备，对贝类，禽肉类有良好的分选效果，但由于形态大小和鱼体湿滑等特性，对卵形鲳鲹的分选效果欠佳，且不具备姿态调整功能。而我们此次研究，将依据金鲳鱼体态特性，选择合适的传送带材料，设计更高效且具备姿态调整的分拣机构，同时具备更高的识别准确率。总体而言，水产加工分拣技术相对于物流分拣技术较为落后，许多先进的物流分拣技术对我们的研究具有重要参考价值，如表1所示，为近年来物流分拣领域的研究，但由于分拣物流包裹与水产品具有较大差异，水产品分拣环节更为复杂，各种鱼类形态不一，分拣所需要的条件，如，辊筒材料，辊筒速度，分拣环境等因素不同。因此，需要研究特定的机构来对卵形鲳鲹实行分拣。在国外，Hufschmied[4]等研制的现场自动化分拣设备中，通过设置1条可以让鱼通过的通道，在通道顶部安装光源和工业相机，获取鱼的垂直俯视图，然后进行图像处理来实现鱼的识别和质量估计，并通过向2个方向转动通道的方式实现按质量的自动化分选。

交叉带式分拣机[24]、翻盘式分拣机[25]、滑块式分拣机[26]、挡板式分拣机[27]、胶带浮出式分拣机[28]、辊筒浮出式分拣机[29]、转盘式分拣机[5]、条板倾斜式分拣机[30]等机械结构相对简单，运维成本较低，适合大型生产加工。多自由度机械臂[31]和真空吸盘[32]结构相对复杂，运维成本高，适用于特定分拣场合。由于分拣物品物理特性上的的差异以及分选需求上的不同，对于水产品的分选依赖重量分选为主，并依靠机器视觉系统做出分级操作。对于鱼体姿态调整目前仍需人力来完成。

表2所示鱼体分选机构存在容易堵塞，造成鱼体损伤，且只能依据鱼体态大小分选，功能单一，无法实现姿态调整。表3所示研究，能够实现鱼体前处理加工的头尾腹部调整，但存在适用性差，损伤鱼体，占地面积大等缺点。本次研究设计的机构能够实现占地面积小，鱼体损伤少，操作简单，维护便捷，且对不同规格的卵形鲳鲹都能有较高的前处理加工效率。

2 机器视觉

机器视觉是一种用机器代替人类视觉系统，收集特征信息，通过计算机编程进行检测和判别的一种技术。工业化生产中所使用的机器视觉，主要是由相机、光源、镜头、图像采集卡、图像处理的软件、PLC、输出系统等组成[33]。随着信息技术的发展，人工智能成为了如今热门的研究领域，作为机器学习中一种新的研究方向，深度学习也被越来越多的应用到图像处理的领域当中。深度学习能够学习样本数据中的本身规律和层次，对数据产生新的解释，最终达到人所能达到的思考和判断能力。

2.1 国内外发展现状 20世纪70年代中期，MIT人工智能实验室正式开設机器视觉课程。1977年，David·Marr提出了著名的Marr视觉理论，此理论是20世纪80年代机器视觉研究领域中一个十分重要的理论框架[34]。从20世纪80年代开始，机器视觉获得了快速发展，新的关于机器视觉的概念、理论和技术不断发掘，迎来了全球研究的热潮。

机器视觉早期发展于欧美和日本等国家，并诞生了许多著名的机器视觉相关产业公司，包括光源供应商日本Moritex;镜头厂家美国Navitar、德国Schneider、德国Zeiss、日本Computar等;工业相机厂家德国AVT、美国DALSA、日本JAI、德国Basler、瑞士AOS、德国Optronis;视觉分析软件厂家德国MVTec、美国康耐视（Cognex）、加拿大Adept等，以及传感器厂家日本松下（Panasonic）与基恩士（Keyence）、德国西门子、欧姆龙（Omron）、迈思肯（Microscan）等[2]。近年来机器视觉在中国发展迅猛，但欧美发达国家在机器视觉技术上仍占统治地位，其中美国Congnex和日本Keyence占全球50%以上的市场份额，且仍在增长。德国由于其工业4.0战略，成为机器视觉最大的市场。

我国机器视觉起步较晚，直至20世纪90年代初，才有少量视觉技术公司发展起来，主要包含有材料缺陷、车牌号识别等。随着外资企业的加入，我国机器视觉相关产业快速发展，企业对机器视觉技术进一步的看好，机器视觉逐步在电子、印刷等行业广泛应用[2]。同时，机器视觉在纺织、焊接、农业、制药、烟草也有了大量运用，培养了一大批专业技术人员。近年来，我国提出了《中国制造2025》计划[35]，到2025年将基本实现工业化。得益于政策的引导和扶持，我国机器视觉产业的投入和产出都有着显著增长，以商汤科技、旷视、凌华科技为代表的的百余家国内企业，已逐渐布局整个产业链。

2.2 应用领域 随着计算机的技术和工业科技的快速发展，机器视觉被越来越多地应用到生产领域，依据“十四五”规划，将机器视觉深度学习纳入了重点发展对象。目前，机器视觉系统主要应用于工业、农业、医疗、交通、等行业。由于机器视觉的自身特点和不断扩大的技术优势，越来越多的科研机构加入了机器视觉系统研究的行列。

机器视觉在工业中的应用主要体现在工业生产中产品的异常检测、对产品批量的尺寸测量[37]、材料的检测[38]、产品包装质量的检测[39]。在物流领域，机器视觉被用于包裹分拣[40]和避障，对于一些具有危险性的工作机器视觉系统也能胜任，从而极大地提高了生产效率，符合企业发展的需求。

机器视觉在农业领域中也有着非常广泛的运用，被用来监测农产品虫害[41]、根据大小颜色筛选不同种类的水果蔬菜[42]、还能自动识别种子品质[43];在水产品中也有不少应用，如在网箱养殖中的鱼虾的活动监测[44]，在加工中对水产品的大小、种类、质量的分选。

机器视觉在各种终端设备中也有不少的应用场合。如医疗影像领域[45]，机器视觉能够依据病理特征，为医生诊断提供依据参考。在交通监控系统中，能实时掌握交通动向，做出及时反映，在手机端上依据照片已经能识别出多种物品。

除了上述领域，机器视觉在卫星遥感[46]、地图测绘、人脸识别、安全管理等多个方面发挥着重要作用。鱼类分选中主要以传感器为主，如嗅觉传感器、颜色传感器、重量传感器。近年来，机器视觉也被用来分选特定鱼类的大小[36]。水果蔬菜的识别、工业中产品缺陷的自动监测技术对于卵形鲳鲹的分选识别具有重要的借鉴意义。对于水果监控主要有大小和颜色特征的提取，对于工业产品缺陷的检测主要由轮廓特征提取，将两者特征提取方法结合，从理论上即可得到想要的结果。

2.3 在水产品中的应用现状 机器视觉技术在水产品中有着广泛的应用，对于不同的水产品应用，其研究特点和研究方法也有所不同，为本次研究提供了许多帮助。表4列举了部分近年来在机器视觉在各类水产品中应用的研究。

有研究表明，水产动物的尺寸属性和质量之间存在很好的相关性。通过建立尺寸因子与质量之间的回归分析及预测模型，便可进行质量预测，并指导后续的分拣操作。但由于水产品品种不一，原料特性也有着很大的差异，不存在通用的适合于所有品种鱼或贝的质量预测模型。为了提高预测精度，对于每一个品种，都需要设计不同的质量预测模型来进行质量预测。

2.4 用于估算鱼质量的理论基础 由于增长速度评估或生态用途的需要，关于鱼体尺寸和质量之间相关性的研究也已开展了许多年[66-67]。有研究表明：水产动物的尺寸属性和质量之间存在很好的相关性。目前，鱼类质量估计研究方法当中最常用的是建立尺寸因子与质量之间的回归分析模型。依据选用的因子个数，可分为单因子预测模型和多因子预测模型2种。

单因子预测常用模型主要有长度-质量关系模型[68]和投影面积-质量关系模型[69]等。Liang、Chiou[68]对这些不同因子的回归预测模型进行了比较研究，试验采集了台湾罗非鱼50个样本的投影图像，获得其物理属性，并分别推演出质量和长度、质量和高度、质量和周长、质量和面积间的相关性。结果表明，质量和面积的相关性最好（R2=0.9303）.在回归方法上，最经典的是Fulton[69]提出的长度-质量幂模型：W=a·Lb（W为体质量，g;a和b是经验表征品种和应变相关的参数，L为体长，cm）。后来许多研究人员在此基础上进行了改进研究，分别提出了线性拟合模型、幂模型、对数模型以及二次多项式拟合模型等多种预测方法。Balaban[70]等、王文静[71]等在进行基于投影面积的鱼体质量预测的研究时，对线形拟合、幂模型以及二次多项式拟合等这些不同的预测方法进行了对比分析，结果均显示幂模型效果最好。

多因子预测模型常用方法为多元线性回归分析法。Beddow[71]等采用52个多因子参数回归分析法来预测鱼的质量。Lines[73]等通过建立一系列长度因子与鱼体质量的回归方程来评估鱼的质量。还有研究人员（Odone等）[74]提出采用支持向量机模型（support vector machine，SVM）来判定鱼体质量和形状参数间的相关性，从而实现鱼体质量的预测。Viazzi[75]等在研究利用2D視觉技术进行玉鲈鱼体质量预测时，分析比较了多因子线性预测和单因子线性预测的结果，发现利用面积-质量关系的单因子线性预测的效果和利用面积、长度和高度等多因子预测的结果基本一致，且都优于长度-质量关系的曲线预测模型，研究还发现利用去除尾鳍后的面积进行预测的效果会更好。

从上述研究成果当中分析，不难发现：在根据鱼体形状属性进行质量预测时，无论是单因子分析，还是多因子预测，不存在通用的适合于所有品种鱼的质量预测模型。为了提高预测精度，对于每一个品种，都需要设计不同的质量预测模型来进行鱼体质量预测。因此，可以设计一个适用于金鲳鱼的质量预测模型来进行研究。

2.5 应用优势 （1）机器视觉能够根据需求调整监测范围;（2）能够无接触式，无干扰不间断监测;（3）能够实现多个指标数值（长度、宽度、高度、面积、周长、颜色和质量等多个形态参数）同时记录，测量和计算;（4）依据测量和计算结果，给出客观准确稳定的评价;（5）除了应用在水产品当中，它还可以通过调参实现更多场景的应用;（6）从经济性上考虑，如果采用模块化设计，采用一套机器识别的设备从长远来看，节约人工成本的同时，也能给加工企业带了不错的经济效益，也是卵形鲳鲹加工产业朝着智能化的方向发展的重要路径。

2.6 面临的挑战 尽管机器视觉在水产品中已有较多应用，但应用在卵形鲳鲹前处理加工中仍存在以下几个问题需要解决：（1）拍摄环境光源对于图像识别的结果影响较大，残留的水渍等污染物容易造成系统误识别，影响摄像机拍摄的成像，最终处理结果会存在较大误差。（2）在拍摄过程中，会存在一条半或多个半条的鱼体，图像处理过程中需要过滤掉不需要的图像。（3）由于鱼体表面湿滑，且附着粘液，传送机构选取，传送装置的材料，结构、传送速度、电机功率等参数需要大量实验比对才能得出最优结果。（4）卵形鲳鲹的姿态调整建立在角度测量准确的基础上，由于最小矩形框的角度测量方法存在误差，且范围存在不确定，需要通过实验来确定误差范围并进行算法优化。

3 卵形鲳鲹分选设备的研究目的及内容

卵形鲳鲹分选设备主要实现功能：对卵形鲳鲹的规格大小进行自动化分拣以及鱼体姿态进行调整。初步功能若能实现，还将对卵形鲳鲹进行雌雄判断，品质检测，鱼体破损识别的研究。

研究设计的方法主要包含：

（1）通过OpenCV-python对图像进行预处理，用canny边缘检测算子求得图像周长面积等参数。再对固定相机进行标定，得到图像实际面积、周长。

（2）通过Mask-RCNN语义分割算法实现实时图像语义分割，通过采用减少图像经过的网络层数，利用级联特征融合单元来融合高分辨率和低分辨率图像的特征，提高分割速度，达到实时分割的效果。或基于编码器——解码器结构，采用分解滤波器策略，使用低阶近似卷积操作分解为跟简单的操作，减少计算量实现实时分割，最终输出鱼体的角度参数。

（3）控制鱼体角度，通过传送带上支撑鱼体下面的可旋转单元盘，可实现任意角度旋转。圆盘略高于输送平面，圆盘内部有旋转轧辊，用于控制鱼体向前输送。

4 结语

随着机器视觉技术的发展，水产品分拣装备技术发展也会越来越快。未来分拣装备发展方向：应用模块化技术，使用一套计算机视觉系统搭配多个模块化分拣装备，实现多个种类的水产品的实时在线分选。基于模块化的设计，未来分选装备可以朝微型化的方向发展。对于鲜活水产的水下分选需求，基于机器视觉的水下在线分拣装备也将是今后研究的一大热点。

机器视觉作为现代科技的先行领域，发展的越来越成熟，在卵形鲳鲹中的成功应用，将会给水产加工行业带来很多的可能性。提高机器视觉系统的检测计算能力和可靠性，扩大机器视觉技术应用的广度和深度，是值得研究者们探究的方向。作为一项在水产加工中新的应用技术，机器视觉还有很多的未知性。对于设计一台适合分拣卵形鲳鲹的分拣机构，可以充分吸收物流装备领域中的先进理念，依据卵形鲳鲹的特点，结合实验数据得到最佳方案。

参考文献

[1]中国渔业协会金鲳鱼分会：中国金鲳鱼产业发展报告2020[EB/OL].[2020-12-22].http：//www.china-cfa.org/fzjgdt/2020/1222/511.html.

[2]朱云，凌志刚，张雨强.机器视觉技术研究进展及展望[J].图学学报，2020，41（06）：871-890.

[3]戴梓茹，钟秋平，林美芳.金鲳鱼营养成分分析与评价[J].食品工业科技，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，劉蓟南，张千宇.一种转盘式物流分拣设备的研究[J].湖北农机化，2019（11）：60.

[6]曾天强.智能化货物分拣系统的研究与开发[J].科技研究，2014 （13）：133-133，135.

[7]卢舟燕，刘金龙，洪美娟，等.推出式物流分拣实验装置系统设计[J].中国储运，2005（6）：65-66.

[8]谢伟东，王磊，佘翊妮，等.条烟自动分拣的异步法及其装置[J].工程设计学报，2007（02）：30-34.

[9]李昭，李华杰，孙建明，等.快递物流包装件分拣装置设计[J].包装与食品机械，2018，036（005）：36-41.

[10]刘彪.基于视觉监测处理的分拣机械装置[J].现代农机，2020（04）：28.

[11]刘智豪，杨斌，万宏强，等.多用途水果分拣装置设计[J].电子世界，2020（19）：116-117.

[12]赵银银，王忠礼，黄志凯，等.破损鸡蛋自动分拣装置[J].中国战略新兴产业，2018，000（04X）：121.

[13]林海青.水产品分选机构的可调滚筒，CN205914372U[P].

[14]余顺年.双壳贝类分选装置的研制[D].厦门：集美大学，2012.

[15]不公告发明人.一种水产品分选装置[P].河北：CN21102 7132U，2020-07-17.

[16]陈子桂，何金钊，冯鹏霏，等.一种鲜活水产品的分选系统[P].广西壮族自治区：CN208960414U，2019-06-11.

[17]刘宪海.一种水产品分选装置[P].山东省：CN208879101U，2019-05-21.

[18]邓凯旋.一种水产品的分选机构[P].广东省：CN208786890U，2019-04-26.

[19]林海青.一种水产品的分選机构[P].浙江：CN205914412U，2017-02-01.

[20]杨昌兵.一种鱼类水产品分选装置[P].湖北：CN202105802U，2012-01-11.

[21]丁安子，吴文锦，汪兰，等.一种输送中鱼体姿态调整装置及方法[P].湖北省：CN112374101A，2021-02-19.

[22]吴文锦，丁安子，汪兰，等.定向调整装置、鱼类生产线姿态调整设备及方法[P].湖北省：CN112374098A，2021-02-19.

[23]鲁力.淡水鱼加工生产线关键技术研究[D].武汉：武汉轻工大学，2017.

[24]赵玉双.一种交叉带式快速分拣机，CN 203304196 U[P].

[25]王长春，安东波，陈德高，等.一种翻盘挡板联动机构及翻盘式分拣机：，CN110813765A[P].2020.

[26]本刊编辑部.高速滑块式分拣机[J].物流技术（装备版），2013（02）：61.

[27]佚名.皮带轨送挡板式色果分拣机[J].中国邮政，1978（3）.

[28]梁凤琨，舒进，刘兵锋，等.一种槽道式分拣胶带输送机：CN202778978U[P].2013.

[29]袁阿勇.新型智能化货物分拣系统的研究与开发[D].武汉理工大学.

[30]卢木建.一种倾斜式分拣机，CN201910463002.7[P].2020.

[31]任成鹏.一种基于视觉算法的机械臂分拣方法：CN111360840A[P].2020.

[32]韦晔华，郑鑫鑫，徐浩杰，等.一种包裹的快速分拣装置：CN207899759U[P].

[33]杨文桥，郑力新.浅谈机器视觉[J].现代计算机，2020，702（30）：67-70，77.

[34]黄志鹏、郁汉琪、张聪、黄越.机器视觉的发展及应用[J].信息与电脑（理论版），2020，v.32; No.459（17）：131-133.

[35]周济.智能制造——“中国制造2025”的主攻方向[J].中国机械工程，2015（17）：2273-2284.

[36]陈星熠.机器的"眼睛"——机器视觉与视觉传感器技术探究[J].数字通信世界，2017（11）：54-55.

[37]莫之剑，范彦斌，全燕鸣.基于机器视觉产品尺寸在线检测的实践研究[J].佛山科学技术学院学报（自然科学版），2006，24（001）：25-28.

[38]李大伟.基于机器视觉的磁性材料检测方法研究[D].济南：山东大学，2011.

[39]任小川，王晶.卷烟条盒包装质量检测机器视觉系统设计[J].控制工程，2006，13（S2）：58-60.

[40]邓文辉.一种基于机器视觉的包裹分拣设备：，CN109047003A[P].2018.

[41]潘志国.机器视觉技术在农作物病虫害的研究与应用[J].电子测试，2014（3）：57-58.

[42]童旭.基于机器视觉水果表面等级分类识别的研究[D].重庆：重庆交通大学，2018.

[43]成芳，应义斌.机器视觉技术在农作物种子质量检验中的应用研究进展[J].农业工程学报，2001，17（6）：175-179.

[44]张伟.基于机器视觉技术的缺损对虾在线识别与剔除系统研究[D].杭州：浙江大学，2018.

[45]刘晨曦，周大维，蒋正乾，等.机器视觉在医学影像处理的应用[J].医学研究，2019，001（004）：8-9.

[46]龚文斌，石章松，韦华.高分辨率遥感卫星图像不均匀云雾去除算法[J].激光与光电子学进展，2020，665（06）：294-301.

[47]STURE Ø，ØYE 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]贾贝贝，邵振洲，王瑞，等.基于机器视觉的鱼类行为特征提取与分析[J].生态毒理学报，2017，012（005）：193-203.

[49]孟祥辉.基于机器视觉的养殖大黄鱼弧菌病监测技术研究[D].成都：电子科技大学，2013.

[50]林妙玲.基于机器视觉的虾体位姿和特征点识别[D].杭州：浙江大学，2007.

[51]杨眉.基于机器视觉的贝类自动识别与定位方法研究[D].大连：大连海洋大学，2014.

[52]周超，徐大明，吝凱，等.基于近红外机器视觉的鱼类摄食强度评估方法研究[J].智慧农业，2019，001（001）：76-84.

[53]张超，徐建瑜，王文静.基于机器视觉的梭子蟹质量估计方法研究[J].宁波大学学报（理工版），2014（2）：49-51.

[54]赵慧，刘娜，赵天昊，等.基于机器视觉的鱼的分割与辨别[J].山东工业技术，2019（007）：242.

[55]王成.基于机器视觉的鱼类定制切段方法及设备设计[D].大连工业大学，2017.

[56]邢士元，刘艳秋，郑元松，等.基于机器视觉的海产品外观品质分级方法[J].大连工业大学学报，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]王文静，徐建瑜，吕志敏，等.基于机器视觉的水下鲆鲽鱼类质量估计[J].农业工程学报，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.

（責编：张宏民）