基于AlexNet模型的大闸蟹自动分级系统设计与实现

摘 "要：针对目前大闸蟹人工分级方法的局限性，设计基于Matlab图像处理的大闸蟹分级系统。首先，在湖州市太湖养殖基地采集不同等级大闸蟹背部和腹部图像，对采集的图像进行灰度化、阈值分割、形态学等预处理。然后利用卷积神经网络AlexNet模型提取大闸蟹公母特征，利用面积法计算其大小。通过选取的10只大闸蟹的重量和系统计算得到的像素转化为面积参数，分析得到大闸蟹背部图像像素占比与其重量成近似正比例关系，因此可根据背部图像的计算值得到其大小特征。根据大闸蟹公母、大小特征完成分级。实验结果表明，系统在大闸蟹公母识别方面平均准确率达到92.655%，大小分级方面平均准确率达到95%。

关键词：大闸蟹；分级；AlexNet模型；Matlab；图像处理

中图分类号：TP391 " " "文献标志码：A " " " " "文章编号：2096-9902（2024）08-0005-05

Abstract： A Chinese mitten crab （Eriocheir sinensis） grading system based on Matlab image processing was designed to address the limitations of current manual grading methods for Chinese mitten crabs. First， the back and abdomen images of Chinese mitten crabs of different grades were collected at the the Taihu Lake breeding base in Huzhou City， and the collected images were preprocessed by graying， threshold segmentation， and morphology. Then， the convolutional neural network AlexNet model was used to extract the male and female features of Chinese mitten crabs， and its size was calculated using the Area Method. By selecting the weight of 10 Chinese mitten crabs and converting the pixels calculated by the system into area parameters， it was analyzed that the proportion of pixels in the back image of Chinese mitten crabs is approximately proportional to their weight. Therefore， their size characteristics can be obtained based on the calculated values of the back image. Grading was completed based on the male and female characteristics and size of Chinese mitten crabs. The experimental results show that the system has an average accuracy rate of 92.655% in recognizing male and female Chinese mitten crabs， with an average accuracy rate of 95% in size grading.

Keywords： Chinese mitten crab （Eriocheir sinensis）; grading; AlexNet model; Matlab; image processing

大闸蟹是我国最重要的经济价值水产品之一，味道鲜美、营养丰富[1]。按照大闸蟹的公母、重量、大小等不同，其定价差异较大。目前，大闸蟹分级一般需要分级人员通过经验用肉眼进行分辨，存在耗时费力、准确率不高且效率较低等问题。同时，高昂的人工费用也增加了大闸蟹的售卖成本。图像处理技术可在一定程度上解决上述问题，目前在农产品品质自动识别领域应用也越来越广泛[2]。文献[3-4]采用基于机器视觉方法，尝试了对石榴、香蕉的品质分级，获得了较好的结果。文献[5-8]利用Matlab进行农产品分级或识别，最高时训练精度可达99.98%。以上研究说明，图像处理技术在农产品品质自动识别领域有较好的效果。本文将Matlab图像处理技术应用于大闸蟹自动分级场景，采用卷积神经网络AlexNet模型，设计实现了一个系统，能够高效地识别大闸蟹图像的公母和大小特征，实现大闸蟹自动分级。

1 "大闸蟹系统整体框架设计

大闸蟹分级系统一般过程如图1所示。

图1 "大闸蟹分级框架

图像采集：本文实验数据采集自浙江省湖州市吴兴区太湖大闸蟹养殖基地，采集设备为IQOO Z3手机（分辨率2 448像素×3 264像素）。将大闸蟹样本放在相同的背景和光照条件下，拍大闸蟹背部和腹部图像。共拍摄图片900张，含腹部600张、背部300张，并做好标签。腹部图像含公蟹300张、母蟹300张，背部图像分3个等级，每个等级100张。

图像预处理：主要进行图像灰度化、阈值分割、形态学降噪和边缘检测等操作，并通过随机旋转、随机翻转、高斯噪声、剪切和平移5种数据增强方法进行数据集扩充，将图片数量扩充至3 170张。对模型训练而言，统一的图像规格尺寸更便于开展卷积运算操作，因此本文采用压缩或者扩大的方式，将腹部图像像素统一调整为224×224，背部图像像素统一调整为500×500。

利用Matlab 2022a进行图像处理工作，首先使用深度网络设计工具箱，把已有腹部图像训练公母分类网络模型，接着将大闸蟹的背部图像转化为灰度图像、自动阈值、二值化和形态学处理得到大闸蟹大小（大闸蟹的像素点总和），最后综合得到大闸蟹外部2种特征数据，进行大闸蟹样本等级分级，并且设计了用户交互界面，方便操作。

2 "大闸蟹图像预处理

2.1 "灰度化处理

灰度化处理的目的是将大闸蟹背部的彩色图像转换为灰色图像，以突出彩色图像中描述的目标特征，同时降低图像数据的运算量。灰度化处理常见方法有平均法、加权平均法、最大值法和最小值法等[9-10]。平均灰度化和加权平均灰度化结果如图2所示。易于发现，采用加权平均灰度化，大闸蟹目标与背景区分明显，便于进行图像分割处理。因此，本系统选用加权平均灰度化。加权平均法按灰度值图像三通道RGB的重要性对各通道亮度值进行加权平均[11]，所得结果作为灰度图的灰度值，计算公式如下

Gray=0.299R+0.587G+0.114B 。 （1）

（a） "平均法灰度化结果 （b） "加权平均法灰度化结果

图2 灰度化处理结果图

2.2 "图像分割

这里图像分割是指把图像从背景中分离出来，主要方法有阈值分割、边缘分割、区域分割和聚类分割等[12-14]。本系统选用阈值分割，先计算大闸蟹背部图像灰色直方图，通过分析得到灰度阈值T=0.612，使用该阈值进行大闸蟹与背景的分割得到二值图像。

2.3 "形态学处理

形态学处理是指消除图像二值化后出现的孤立像素点或边缘不平滑现象，这些现象会使特征提取结果产生一定误差。形态学处理主要操作有膨胀、腐蚀、开运算和闭运算等[15]。这里的形态学处理，主要消除大闸蟹背部图像边缘毛刺。处理结果对比效果如图3所示。

2.4 "边缘检测

边缘检测是用于检测图像中的边界或轮廓的一种技术。边缘通常表示图像中灰度值或颜色发生显著变化的地方，这些变化可能对应着物体边界、纹理、形状或其他图像特征。主要的边缘检测算子有Canny算子、Sobel算子、Laplacian算子和Roberts算子等[16]。本系统利用Canny算子获取大闸蟹背部图像边缘部分，其边缘定位准确性和抗噪声干扰性比其他算子结果更优[17]。图4和图5分别为利用Canny算子，提取到的2个大闸蟹样本的背部边缘轮廓。

（a） "样本1 " " " " " " " " " （b） "样本2

图4 "大闸蟹背部边缘轮廓图

图5 "大闸蟹面积占比与重量散点图

3 "大闸蟹特征数据提取

3.1 "AlexNet网络建立

分辨大闸蟹公母最直接的方法是看大闸蟹腹部的脐，脐形状若尖而窄是公螃蟹，圆而宽则是母螃蟹。这里使用Matlab深度网络设计器建立AlexNet网络，利用大闸蟹腹部图片数据集训练得到大闸蟹公母二分类模型网络，然后验证识别公母类型。本系统AlexNet网络结构，由5个卷积层、3个池化层、3个全连接层构成，能快速提取大闸蟹腹部图像的特征信息。导入的大闸蟹腹部照片数据集中，公蟹图片1 300张，母蟹图像1 270张，随机选出90%和10%的图像样本分别作为训练集与测试集。设置网络参数，训练参数选取优化器为SGDM，学习率为0.000 2，每次迭代数量为64，最大训练回合数10。实验结果见表1，约在第5轮进入稳定期，准确率稳定在99%以上，损失率下降到2%。

3.2 "大闸蟹大小分级

判断大闸蟹大小可通过计算其背部图像区域中的像素个数得到，若大闸蟹大小与其重量呈相关性，则可通过判断大闸蟹大小间接获得大闸蟹重量关系。这里选取大小不一的10只大闸蟹作为研究对象，先采集背部图像和其重量并进行编号。然后对大闸蟹背部图像进行降噪、灰度化、形态学处理，得到一副由像素值0和255组成的图像（0为黑色，255为白色）。通过对图像中255的像素点进行计数，其总和即认为是该大闸蟹背部面积[18]。将计算大闸蟹背部面积与重量数据，以散点形式展现，如图5所示。

由图5可看出，大闸蟹面积占比与重量近似成正比例关系。因此，可根据大闸蟹的图像面积占比对大闸蟹按大小进行分级。该大闸蟹养殖基地将大闸蟹分为3个等级（一等品质最好，三等品质最差），等级划分情况见表2。

4 "大闸蟹分级系统设计

本系统使用的计算机硬件配置为Windows 10专业版64位操作系统，CPU为英特尔i5-10505，GPU为英伟达GeForce GT 730 1GB。软件开发环境为Matlab 2022a版本。大闸蟹分级系统的GUI交互界面，初始运行如图6（a）所示，可进行大闸蟹腹部图像和背部图像显示，大闸蟹公母识别、背部图像大小占比和等级分级结果显示等。一只大闸蟹样本识别和分级结果如图6（b）所示。

表2 "划分等级参考表

5 "大闸蟹分级实验

为验证分级系统的可靠性，对样本大闸蟹进行了分级实验。选取10%的测试集进行测试识别（公蟹130张，母蟹127张），同时选取不同等级的大闸蟹各40只进行分级验证。运行计算得到在该系统下大闸蟹公母和大小分级识别准确率，最终实验结果见表3、表4。通过Matlab自带函数，利用混淆矩阵对公母识别模型进行性能度量分析。模型验证结果的混淆矩阵为母蟹的正确样本数为123张，公蟹的正确样本数为115张，把真实为公蟹的预测为母蟹的样本数为15张，把真实为母蟹的预测为公蟹的样本数为4张。通过以上数据绘制统计表见表3。计算出识别母螃蟹的正确率为96.85%，识别出公螃蟹的正确率为88.46%。

由表3、表4得出，该分级系统大闸蟹的公母平均识别准确率为92.655%，大小分级平均识别准确率为95%，分级准确率较高，证明了该系统在实际应用中的有效性。

6 "结束语

本文基于Matlab图像处理技术，设计了一个大闸蟹等级分级系统，该系统主要包括图像输入、预处理、特征提取及分级4个过程。最后实验结果表明，系统识别准确率能够满足应用需求。后续预改进处：图像输入可采用程序调用摄像头图像采集；大闸蟹捆绑后进行图像采集，以减少大闸蟹非静止而影响特征提取像素面积；本文分级标准只考虑了大小和公母特征，后续可增加颜色、成熟度、蟹足数量等特征。

参考文献：

[1] 顾赛麒，王锡昌，陶宁萍，等.基于主成分分析和聚类分析评价中华绒螯蟹蟹肉香气品质的研究[J].食品工业科技，2012，33（24）：120-125.

[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（6）：871-890.

[3] 罗山，侯俊涛，郑彬.基于机器视觉的石榴品质自动分级方法[J].中国农机化学报，2023，44（3）：117-122.

[4] 王灵敏，蒋瑜.基于深度学习的香蕉成熟度自动分级[J].食品与机械，2022，38（11）：149-154.

[5] 邵长利.基于MATLAB图像处理的铸造表面粗糙度测量方法[J].铸造，2019，68（4）：372-377.

[6] 何翠群，章海亮.基于MATLAB平台的农产品分级图像处理系统[J].安徽农业科学，2009，37（31）：15563-15565，15569.

[7] 耿飙，魏炜，梁成全，等.基于卷积神经网络的胸部X射线影像肺炎疾病分类研究[J].中国医学计算机成像杂志，2023，29（1）：19-25.

[8] 陈文博，刘昌华，刘春苔，等.基于GoogLeNet的稻米品种识别与碎米检测[J].中国粮油学报，2023，38（2）：146-152.

[9] 黄新波，高玉菡，张烨，等.基于联合分量灰度化算法和深度学习的玻璃绝缘子目标识别算法[J].电力自动化设备，2022，42（4）：203-209.

[10] 刘腾飞，刘威.基于Matlab的肿瘤细胞识别系统[J].电子设计工程，2021，29（6）：1-5.

[11] 李忠虎，薛婉婷，吕鑫，等.基于图像融合的风电塔筒边缘检测及提取方法[J].国外电子测量技术，2022，41（3）：90-95.

[12] 黄鹏，郑淇，梁超.图像分割方法综述[J].武汉大学学报（理学版），2020，66（6）：519-531.

[13] 韩思奇，王蕾.图像分割的阈值法综述[J].系统工程与电子技术，2002（6）：91-94，102.

[14] 成芳，应义斌.基于Matlab平台的稻种图像分析系统[J].浙江大学学报（农业与生命科学版），2004，30（5）：572-576.

[15] 段青玲，陈鑫，许冠华，等.基于多维度特征和LightGBM的大闸蟹质量估算方法[J].农业机械学报，2022，53（8）：353-360.

[16] 薛丽霞，李涛，王佐成.一种自适应的Canny边缘检测算法[J].计算机应用研究，2010，27（9）：3588-3590.

[17] 周飞燕，金林鹏，董军.卷积神经网络研究综述[J].计算机学报，2017，40（6）：1229-1251.

[18] 沈健.基于机器视觉的螃蟹分拣装置研究[D].舟山：浙江海洋大学，2022.