利用传送带上的飞行时间点云进行冷冻鲣鱼的非接触式3D形态测量与重量估算

《Fisheries Research》：Non-contact 3D morphometrics and weight estimation of frozen skipjack tuna using time-of-flight point clouds on a conveyor belt

　　摘要：准确且可大规模地测量鱼体尺寸和重量对于渔业科学及海产品加工而言至关重要。然而，传统的人工测量方法耗时费力，易受操作者影响而出现误差，且处理效率较低。本研究开发了一种基于飞行时间相机的非接触式三维成像系统，用于测量传送带上的冷冻鲣鱼的身体长度、高度和宽度，并借助机器学习模型估算其重量。共有207条冷冻鲣鱼通过该三维系统与人工方法进行了测量。身体长度、高度和宽度是从三维点云中手动提取的，而体重则是通过结合多种形态学变量并运用随机森林回归模型来估算的。对于体长在25至75厘米之间的鱼类，该三维系统测量的平均绝对误差分别为：身体长度1.43厘米，身体高度0.59厘米，身体宽度0.52厘米。包含身体长度、高度和宽度的体重估算模型具有最高的精确度，对于体重在7公斤以内的鱼类，其平均绝对误差仅为0.20公斤，远优于仅依据身体长度的估算模型。估算出的体重分布与人工测量结果相比没有显著差异，且与实际分级结果的匹配度（80.7%）也高于专家市场分级结果（73.9%）。这些结果表明，可以从鱼的三维点云数据中获取具有生物学意义的形态学参数，而且纳入身体宽度能进一步提升体重估算的准确性。本研究为利用三维成像技术进行非接触式形态学测量及鱼类体重估算提供了概念验证。

引言：准确高效的鱼类长度和重量测量对于渔业研究、资源评估以及资源管理具有重要意义（Gulland和Rosenberg，1992；Ono等人，2015）。这些生物参数是估算鱼类生长速度、死亡率及生物量的基础，同时也有助于海产品加工和销售过程中的分级、溯源及质量控制等工作。不过，在野外以及捕捞和加工场所进行数据收集仍然十分耗时费力，因为通常需要人工逐一处理和测量每条鱼。传统上，鱼类长度是通过硬木板配合打孔机在纸上记录的。而要获取身体高度、宽度等其他形态学数据以及体重，则需要付出更多的努力和时间。对传统手工方法的依赖限制了数据处理的效率、一致性以及操作效率，尤其是在大规模渔业和加工产业中更为明显。为了解决这些问题，人们提出了多种方法来加快鱼类长度的测量和记录速度。例如，已有电子鱼类测量仪可以自动测量并记录放置在仪器上的鱼类长度（Chaput等人，1992；Craig，2019）。尽管这类设备减少了测量时间，也无需手动转录数据，但仍然需要人工处理鱼类，且只能提供长度信息。在非接触式测量方法方面，基于单相机或立体相机的系统已被广泛研究。单相机系统可用于测量平面上或鱼箱中的鱼类长度（Alvarez-Ellacuria等人，2020；Monkman等人，2020；Shibata等人，2024）。而立体相机系统则可用于测量水下游动的鱼类，因为在水中相机与目标的距离不断变化，给单相机测量带来了困难（Shafait等人，2017；Munoz-Benavent等人，2022；Komeyama等人，2024）。在体重估算方面，传统方法依赖于长度与重量的关系公式（Pienaar和Thomson，1969；Robertis和Williams，2008；Tonachella等人，2022），但由于非接触式长度测量存在误差，这些误差不可避免地会影响到体重估算的结果。如今，图像处理和机器学习技术的进步使得能够自动提取身体高度、周长等形态学特征，将这些特征纳入考量后，体重估算的精度可高于仅基于长度的模型（Hao等人，2022；Yu等人，2022；Zhang等人，2024）。不过，与身体质量相关的另一个形态学特征——身体宽度，却很少通过非接触式方法获得，主要是因为传统成像系统难以获取鱼类身体形状的深度信息。三维成像技术可以通过直接获取深度信息来解决这一难题（Vazquez-Arellano等人，2018；Louedec和Cielniak，2021；Xiang和Wang，2023）。三维相机系统能够获取鱼类表面形状的三维点云数据。此类三维点云数据已成功应用于猪（Pezzuolo等人，2018；Kwon等人，2024）和牛（Rozendo等人，2025）等家畜的体型和重量估算。相比之下，三维点云技术在鱼类形态学测量中的应用仍较为有限。虽然三维相机已被用于测量鱼类长度，但目前仅用于确定鱼类所在区域，尚未利用鱼类身体表面的深度信息来直接获取长度参数（Silva等人，2020；Risholm等人，2022）。预计利用三维相机获取的鱼类身体表面形状的三维点云，不仅能够用于获取身体长度，还能用于获取身体高度和宽度。此外，综合考虑这三个形态学参数，有望进一步提升体重估算的准确性。为获取鱼类的三维形态特征，我们之前开发了一套集成测量系统，该系统可从多个角度拍摄三维图像（Nakata等人，2025）。该系统通过对传送带上的冷冻鲣鱼的三维数据进行分析，实现了对鱼类身体的完整三维重建以及长度测量。不过，目前尚未从该冷冻鲣鱼的三维数据中提取出身体高度和宽度。鲣鱼是一种分布于温暖温带海域的重要远洋鱼类，也是商业渔业的重要捕捞对象（Collette和Nauen，1983）。大多数鲣鱼是通过围网渔业捕获的（Majkowski等人，2011；Ruiz等人，2015），而那些由远洋渔船捕获的鲣鱼通常会在船上立即被冷冻。能够准确、非接触式地估算冷冻鱼类的尺寸和重量，对于科学研究和工业应用都具有极大的价值。值得注意的是，冷冻鲣鱼的身体表面往往会有霜层，这会增加镜面反射，从而增加基于图像的处理难度。因此，如果某种测量系统能够在如此不利的光学条件下成功应用于冷冻鱼类，那么它很可能也能用于未冷冻的鱼类。从渔业科学的角度来看，这类技术可以为直接从商业捕捞的鱼类中收集形态学和重量数据提供一种可扩展的方法，有助于提升资源评估和管理的水平。从产业发展的角度来看，自动化的非接触式测量可以减少对人工的依赖，降低因操作者经验差异带来的误差，同时还能保留数字记录，便于实现溯源和质量控制。本研究旨在探讨基于三维相机的系统是否可用于非接触式测量传送带上的冷冻鲣鱼的身体长度、高度和宽度。利用这些参数，我们建立了预测体重估算的模型，并将其精确度与人工测量结果进行了对比。本研究并非要打造一套完全自动化的工业测量系统，而是作为概念验证，证明可以从鱼类的三维点云数据中提取具有生物学意义的形态学参数，并将其用于体重估算。我们还研究了是否纳入身体宽度这一可通过三维数据获取但难以用传统图像方法测量的参数，能否进一步提升体重估算的精度。此外，通过将估算出的体重与市场上确定的重量等级进行比较，我们发现所提出的方法的分类性能可与人类在市场分级中的判断水平相媲美，甚至更优。

材料与方法：图1总结了本研究采用的工作流程。冷冻鲣鱼通过传送系统自动输送到测量位置，随后使用三维相机获取其三维点云数据。之后再通过软件手动分析这些点云数据，以提取鱼类の身体长度、高度和宽度。最后，利用随机森林回归模型根据这些提取的形态学参数估算体重。

从三维数据测量长度：通过将三维数据获取的身体长度、高度和宽度与人工测量结果进行对比，来评估其精确度（图4、图5、图6）。对于身体长度（图4a），三维系统测量的结果与人工测量值高度吻合，平均绝对误差为1.43厘米，平均绝对百分比误差为3%。同时观察到左侧和右侧的测量值存在差异（图4b），这可能是由于在选择关键定位点时存在轻微不一致所致。

讨论：本研究表明，可以从冷冻鲣鱼的三维点云数据中获取具有生物学意义的形态学参数，包括身体长度、高度和宽度，并利用这些参数来估算体重。通过将三维飞行时间成像技术与基于机器学习的回归分析相结合，我们证明了从三维数据获得的非接触式测量结果，其精确度可与传统的人工测量结果相媲美。尽管在形态学参数的提取方面……

结论：本研究表明，基于非接触式三维成像技术，能够准确测量冷冻鲣鱼的身体长度、高度和宽度，并估算其体重。通过三维飞行时间成像技术，对于体长在25至75厘米之间的鱼类，可实现高精度的测量，其平均绝对误差分别为：身体长度1.43厘米，身体高度0.59厘米，身体宽度0.52厘米。基于这些非接触式的形态学测量结果……

CRediT作者贡献说明：宫本龙辅：撰写——初稿撰写、可视化、软件应用、方法设计、正式分析。中田英辅：撰写——审稿与编辑、软件应用、研究实施、数据整理。铃木裕辅：撰写——审稿与编辑、研究实施。家永直人：撰写——审稿与编辑。石田久：项目管理、资金筹措。天目庆一：撰写——审稿与编辑、监督、项目管理、概念构思。

关于写作过程中生成式人工智能及人工智能辅助技术的声明：在撰写本文的过程中，作者们使用了ChatGPT来辅助英文写作和校对。在使用这些工具之后，作者们对整个手稿进行了仔细的审阅和修改。作者们对最终发表文章的内容负全部责任。

资金来源：本研究得到了“下一代产业相关项目”下的2025财年创新技术创造资助（静冈产业基金会资助号：95）的支持。

利益冲突声明：中田英辅、铃木裕辅和石田久是Ishida Tec Co., Ltd.的员工，同时他们也与SONOFAI, Inc.有业务关联。天目庆一是Xtrans Tech, Inc.的首席执行官。这些公司都致力于食品加工技术的研究与发展。作者们声明，本研究在开展过程中不存在任何可能被视为会影响研究设计、数据收集和分析过程的商业或财务利益关系。

致谢：我们衷心感谢静冈县渔业海洋研究所为开展测量实验所提供的支持，同时也感谢ICHIMARU CO., LTD.为每份冷冻鲣鱼样本的新鲜度评估所给予的帮助。

宫本龙辅|中田英辅|铃木裕辅|家永直人|石田久|天目庆一
日本东京都港区港南4-5-7，东京海洋科学技术大学，邮编108-8477