基于Bézier曲线建模的海参原位躯干识别与长度测量方法及其在海洋牧场资源监测中的应用

本综述提出了一种基于视觉的海参原位躯干识别与长度测量新框架TISC-Net，结合Bézier曲线建模与YOLO架构，通过FReLU激活函数与EMA模块增强曲线特征感知，并引入端点损失约束提升鲁棒性。该方法在SC-ISTI数据集上mAP50>0.9，长度测量平均相对误差仅0.15，为海洋牧场资源智能化监测提供了高效解决方案。

　　

Highlight

我们提出首个基于Bézier曲线建模的海参躯干识别框架TISC-Net，结合YOLO架构与端点损失约束，显著提升曲线建模精度与鲁棒性。通过双目相机深度信息与空间曲线积分实现原位长度测量，在真实海洋环境中平均相对误差低至15%。

Section snippets

目标检测与水下应用尝试

通用目标检测旨在精确定位并分类图像中的特定目标。随着卷积神经网络（CNN）在视觉特征学习中的突破性进展，基于深度CNN的方法已成为目标检测领域的主流（Zou et al., 2023）。近年来，水下视觉观测技术的普及推动了该领域研究的兴起。

海参原位长度测量流程

本研究开发了一套基于计算机视觉的海参原位长度测量方法（图3）。利用双目相机作为水下图像采集设备，我们提出在左或右图像的二维平面进行躯干识别，并通过立体匹配获取像素深度信息，最终在三维空间中实现长度测量。具体而言，我们基于Bézier曲线构建了一个端到端的统一深度学习框架。

实验

本节从海参原位躯干识别与长度测量两个维度全面评估所提方法，包括基准数据集描述、实验设置、对比分析与消融研究。

讨论与未来工作

如图9所示，Bézier曲线能有效描述海参躯干的几何特性。定量评估表明，所提方法在曲线表征任务中精度显著优于对比方案。然而，曲线建模中普遍存在的挑战在于：当弯曲度分布高度偏斜时，曲率系数的泛化能力较差（Feng et al., 2022）。

Conclusion

本文提出的TISC-Net是基于Bézier曲线建模的海参躯干精准识别新框架，并设计了适用于原位资源调查的长度测量流程。这是首个高效的海参躯干识别方案，也是Bézier曲线在骨架识别中的创新应用。我们充分考虑了海参自然栖息地的场景特性，为海洋牧场智能化管理提供了技术支撑。