基于双目视觉的海参体积测量方法OA北大核心CSTPCD

海洋珍品的体积测量可以为水产养殖过程中海洋珍品的生长状态观测以及价值评估提供科学的数据支撑。针对目前海参养殖过程中体积测量耗时耗力、效率低下、精度参差不齐等问题,该研究提出了一种基于双目视觉的海参体积测量方法,以真实养殖场景下的原位海参作为研究对象,包含海参目标检测、海参实体分割、海参体积估计3个模块。其中,目标检测模块针对水下光线多变、环境复杂的问题,设计了融合多头自注意力机制的YOLOv8目标检测器,提高水下环境下的检测精度;实例分割模块构建了加入adapter机制的SAM(segment anything model)海参分割模型,以此获取有效精准的掩码信息;体积估计模块将掩码信息映射到三维空间获取海参的点云数据,通过泊松表面重建和体素化处理的方法克服点云数据稀疏、噪声干扰的障碍,重构海参的三维表征。结果表明,改进后的检测模型展现了综合性能的最佳表现,在精度和帧率方面分别达到了92.5%和31帧/s,相较于Faster RCNN、Cascade RCNN、YOLOv7、YOLOv8等算法,均保持一定的领先优势;泊松表面重建的重建效果明显优于Alpha shapes、Ball pivoting算法,更贴近于真实海参的表征信息,可以达到较好的体积测量效果,较于其他海参体积测量算法,该研究提出的算法在不同深度下均有更好的表现,在距离为100 cm处表现最佳,测量精度达到了94%,比最小包围框测量法和Ball pivoting测量法分别高出22和14个百分点。可见,所提方法能较为准确地测量出海参的体积,基本能够满足养殖户的评估需求,可为海参的科学养殖提供更为便捷精准的数据支持。