基于物理信息的计算机视觉对虾体长测量方法：面向机器人化水产养殖监测

《Smart Agricultural Technology》：Physics-informed computer vision-based prawn length measurement from mobile camera imagery: toward robotic aquaculture monitoring

　　

摘要：对虾水产养殖需要持续监测生长情况和评估个体规格，以支持分级、投喂优化、收获计划制定和产量预测等关键管理决策。针对罗氏沼虾（Macrobrachium rosenbergii）——本研究的模式物种——通常采用全长（total length）来量化生长，因为该参数与体重高度相关。然而，传统的人工测量方法耗时且对动物造成应激，因此亟需开发自动化、非侵入式的监测方法。现有的大多数对虾测量系统依赖固定相机或投喂托盘，限制了空间覆盖范围，且可能引入行为偏差。本研究提出了一种基于物理信息的计算机视觉框架，利用从移动相机平台获取的图像进行原位对虾体长测量。该框架引入了针对移动成像设计的几何测量算法，并通过斯涅尔定律（Snell's law）显式校正空气-水界面的光学折射效应。测量性能通过两个独立参考标准进行评估：人工标注和已知尺寸的生物标本（对虾蜕壳）的直接物理测量。此外，研究提出了透明的误差分解框架，将像素定位不确定性与几何重建误差分离，从而定量识别主要不确定性来源。为实现该框架，研究人员将几何重建模型与YOLOv11-pose姿态估计管线集成，自动检测解剖学关键点并估算罗氏沼虾的头胸甲长（carapace length）和全长。研究人员还公开了一个包含2478张图像的数据集，这些图像来自三个循环水养殖系统（RAS）池塘，由两种移动平台采集。综上，这些贡献提供了一种可扩展、基于物理信息且诊断透明的自动化原位对虾形态测量方法，支持水产养殖生产系统中生物量估算、生长监测和精准管理的改进。

一、研究背景与科学问题

在水产养殖中，对虾的生长监测是支撑分级、投喂优化、收获调度和产量预测等管理决策的核心环节。对于罗氏沼虾（Macrobrachium rosenbergii）这一模式物种，全长（total length）因与体重高度相关而被广泛用于量化生长。然而，传统人工测量不仅耗时费力，还会对动物造成显著应激，这推动了自动化、非侵入式监测技术的发展。

尽管已有大量研究利用RGB相机、立体视觉或RGB-D传感器结合深度学习进行鱼类或甲壳类的体长估算，但现有对虾测量系统大多依赖固定相机或投喂托盘，导致空间覆盖受限，且可能因吸引动物进入特定区域而产生行为采样偏差。例如，Hashisho等人（2021）开发的浮式透明箱系统虽减少了水面波动干扰，但只能采样小范围预定区域；Nontarit等人（2022）提出的机械投喂托盘系统则仅能测量被吸引至投喂位置的个体。此外，甲壳类动物多呈底栖习性，其栖息环境与中上层鱼类差异显著，需要不同的成像几何构型和部署策略。同时，空气-水界面的光学折射效应常被忽视，成为水下成像测量的重要失真源。

为此，本研究旨在开发一种基于物理信息的计算机视觉框架，利用移动相机平台实现对底栖对虾的原位体长测量，解决现有系统空间覆盖有限、缺乏折射校正以及验证手段单一等问题。

二、主要技术方法

研究人员采用了以下关键技术方法：

1. 1.
   双移动成像平台：分别采用手动引导的浮式平台（聚苯乙烯泡沫箱盖搭载GoPro Hero Black 11相机）和遥控两栖车（配备GoPro Floaty浮力附件），在两个圆形池（直径3.6 m）和一个矩形池（2.5 m×5 m）中采集视频数据。水深维持在35–80 cm，水温26±2°C，光周期14:10（L:D）。水源为循环水养殖系统（recirculating aquaculture system, RAS）。
2. 2.
   帧提取与预处理：从视频中提取帧后，通过拉普拉斯方差检测模糊图像（丢弃230张低方差帧），再经Shi-Tomasi角点检测和Lucas-Kanade光流法去除冗余帧（位移<40像素视为相似），最终获得2478张有效图像。对图像进行伽马校正增强头胸甲边缘可见性。
3. 3.
   YOLOv11-pose姿态估计：采用YOLOv11-pose（L配置）模型进行目标检测和解剖学关键点定位。关键点从尾节（telson）沿身体顺序延伸至头胸甲后缘、眼再到额角（rostrum）。通过欧几里得距离计算像素单位的头胸甲长和全长。
4. 4.
   物理信息几何重建：利用相机视场角（field of view, FOV）、镜头到池底的距离，并结合斯涅尔定律（Snell's law）校正空气-水界面的光学折射，将像素长度转换为真实世界毫米单位。
5. 5.
   双参考验证：以重复人工图像标注和已知尺寸的对虾蜕壳（exuviae）物理测量作为独立基准进行验证。
6. 6.
   误差分解框架：将测量误差分解为关键点定位误差和几何重建误差，定量识别主导不确定性来源。

三、研究结果

3.1 姿态估计模型的训练与评估

研究人员使用2478张标注图像训练YOLOv11-pose模型，数据集按70%、20%、10%划分为训练集、验证集和测试集。模型在测试集上的关键点检测平均精度（mean Average Precision, mAP）达到较高水平，能够可靠地定位尾节、头胸甲后缘、眼和额角等关键解剖标志。

3.2 像素长度测量与物理尺度转换

基于检测到的关键点坐标，计算了每只对虾的像素单位全长和头胸甲长。随后，利用相机视场角、实测水深以及斯涅尔定律折射校正，将像素距离转换为毫米单位。研究发现，忽略折射校正会导致测量值系统性偏小，尤其在浅水条件下偏差更为明显。

3.3 与人工标注的对比验证

将自动测量结果与同一图像的多次人工标注取平均值进行比较。结果显示，全长测量的平均相对误差约为4.2%，头胸甲长测量的平均相对误差约为5.1%。自动测量值与人工标注值的差异落在人类不同评分者之间的变异范围内，表明模型达到了与熟练研究人员相当的测量精度。

3.4 基于蜕壳的物理验证

研究人员收集了对虾蜕壳标本，先用游标卡尺进行物理测量，再将蜕壳置于池底模拟原位成像条件进行拍摄和分析。自动测量值与物理测量值的平均绝对误差在全长上约为3.8 mm，头胸甲长上约为1.5 mm，进一步验证了框架在实际生物学尺度上的准确性。

3.5 误差分解分析

通过将总误差分解为关键点定位误差和几何重建误差两部分，发现关键点定位误差贡献了约75%的总测量误差，而几何重建误差（包括折射校正残差和水深测量误差）约占25%。这表明提升模型的关键点检测精度是减少整体测量误差的最有效途径。

四、讨论与结论

讨论总结：研究人员指出，所提出的物理信息计算机视觉框架成功实现了对底栖对虾的原位、非接触式体长测量，克服了固定平台空间覆盖有限的瓶颈。与现有系统相比，移动平台提供了更广泛的采样范围，降低了行为偏差风险。斯涅尔定律折射校正的引入显著提升了水下测量的几何保真度。基于蜕壳的双重验证策略为自动化测量提供了独立的生物学金标准，这在以往研究中较为罕见。误差分解揭示了关键点定位是当前系统的主要误差源，未来可通过更大规模、更多样化的训练数据以及更精细的标注策略来进一步提升精度。此外，水浊度、光照变化和对虾姿态多样性仍是实际部署中需要应对的挑战。

研究结论翻译：本研究通过开发一种基于物理信息的计算机视觉框架，解决了移动成像条件下对虾原位体长测量的关键难题。该框架整合了YOLOv11-pose姿态估计与基于斯涅尔定律的折射校正几何重建，能够在循环水养殖池塘环境中实现可靠的自动化体长估算。通过人工标注和蜕壳物理测量双重验证，证明了模型的测量精度与人类评分者相当。误差分解表明，关键点定位是测量不确定性的主导来源。公开的2478张图像数据集将为后续研究提供基准。总体而言，这项工作为水产养殖中的自动化、规模化形态监测提供了可扩展且诊断透明的解决方案，有望推动精准养殖管理的发展。