我国淡水鱼养殖业发展迅速并展现出显著优势，但淡水鱼加工业却起步较晚，技术更新缓慢，加工效率低下，难以形成完整的产业链。这一现状严重制约了鱼类加工业的进一步发展，因此迫切需要通过技术革新和产业升级来改善。相比于发达国家，我国淡水鱼产品的精深加工程度明显不足，且加工设备及企业自动化水平较落后。此外，如草鱼等淡水鱼由于其营养丰富、水分活度高和pH近中性，在冷藏过程中极易受微生物侵害而迅速腐败，这极大地限制了加工产品的储存和销售。在这种背景下，人工智能技术，特别是图像识别和机器学习，已成为提高生产效率和产品质量的关键工具。图像识别技术有助于精确定位并科学规划淡水鱼的分割路径，优化加工流程并提升产品价值。基于机器学习算法的新鲜度预测模型，可以有效监测产品质量，保证消费者健康和提升食品安全标准。利用图像识别技术完成淡水鱼的分割方案设计，并构建新鲜度预测模型进行产品质量检测，有利于提升整个淡水鱼加工生产过程的高效管理和质量控制，对推动我国淡水渔业的自动化发展及提升整个产业链的竞争力具有重要意义。


1.草鱼的图像识别与分割方案

本研究团队通过市场调研和企业调研，提出初步的草鱼鱼体分割方案，将草鱼分为4部分：背部、腹部、腩部和尾部。为适应鱼类加工自动化趋势，本团队进一步通过计算机视觉和图像识别技术对草鱼鱼体进行识别和分割。收集草鱼图像后，根据初步提出的草鱼分割方案确定识别位点，并使用Labelme进行识别位点的标注。使用YOLOv8和MMDetection两种模型进行位点识别，并进行模型的评估和参数优化，从而得到模型可视化结果（图1）。结果显示，YOLOv8和MMDetection模型在草鱼分割位点的识别过程中展现出了极高的精确度，YOLOv8在边界框检测的精确率为0.995，而MMDetection在关键点的检测准确率达到了0.997，表明草鱼的分割方案可以通过图像识别技术实现，从而为草鱼分割工业自动化的实现奠定基础。

2.鳙鱼的图像识别与分割方案与草鱼分割相似，本团队也运用计算机视觉和图像识别技术对鳙鱼进行了识别和分割，验证了其工业自动化的可行性。首先收集了大量鳙鱼的图像，包括鱼体目标与背景，然后利用RGB阈值法对这些图像进行二值化处理，实现鱼体与背景的分割，并获得背景分割图像。进一步通过识别背景分割图像的边缘轮廓，获取最小外接矩形。依据最小外接矩形的边缘轮廓坐标、长轴和短轴尺寸及预设的鳙鱼外部形态参数（如鱼头与体长比、鱼尾与体长比、鱼背与鱼腹宽度比），确定鱼头、鱼尾以及鱼背和鱼腹的分割线，完成图像分割，并输出分割图像（图2）。鳙鱼被有效分割为头部、背部、腹部和尾部。进一步分析显示，鳙鱼各部分对总体重的贡献分别为36%、12.8%、17.6%和11.9%，眼部肉含有最高的脂质而最低的蛋白质含量，背部肉的蛋白质含量最高。这些发现表明鳙鱼的分割方案是可行的，并可以通过图像识别技术实现，从而为淡水鱼加工行业的自动化提供了可靠的技术支持。

图2 鳙鱼鱼体图像分割算法可视化输出图像










3.基于机器学习的草鱼分割产品冷链物流新鲜度预测模型与系统及时准确预测水产品新鲜度，对于优化冷链运输策略、减少经济损失至关重要。本研究团队基于支持向量回归（SVR）技术构建了草鱼分割产品新鲜度预测模型，用于评估草鱼在0~12℃贮藏条件下的新鲜度指标变化（图3）。均方根误差(RMSE)和回归系数(R2)是回归模型中常用的两种测量标准，用于评估模型的性能。结果表明，不同温度贮藏的草鱼精细分割产品在贮藏过程中菌落总数（TVC）的预测值与实验值之间的RMSE均低于0.56，而R2均高于0.85，其中腹部、腩部和尾部TVC的R2高于0.91。感官总体可接受度的预测值与实验值之间的RMSE均低于1.2，而R2均高于0.82，说明建立的SVR模型对TVC和感官总体可接受度这2个指标具有较好的预测效能，可以作为一种有效的工具来预测草鱼分割产品在0~12℃贮藏期间的TVC和感官总体可接受度变化，从而判断草鱼分割产品在贮藏期间的品质变化。

图3 SVR模型结构
人工智能技术特别是图像识别和机器学习在淡水鱼加工和品质控制中具有重要应用潜力。这些技术不仅提高了加工的精度和效率，也增强了食品安全和无损品质监测的能力。未来的研究将专注于深入探索这些技术在淡水鱼行业中的进一步应用，旨在通过技术革新提升整个产业链的效率和质量控制，从而推动淡水鱼产业的持续发展和技术进步。

来源：科学养鱼

联系我时，请说是在水产通上看到的，谢谢！