摘 "要：針對(duì)目前大閘蟹人工分級(jí)方法的局限性，設(shè)計(jì)基于Matlab圖像處理的大閘蟹分級(jí)系統(tǒng)。首先，在湖州市太湖養(yǎng)殖基地采集不同等級(jí)大閘蟹背部和腹部圖像，對(duì)采集的圖像進(jìn)行灰度化、閾值分割、形態(tài)學(xué)等預(yù)處理。然后利用卷積神經(jīng)網(wǎng)絡(luò)AlexNet模型提取大閘蟹公母特征，利用面積法計(jì)算其大小。通過選取的10只大閘蟹的重量和系統(tǒng)計(jì)算得到的像素轉(zhuǎn)化為面積參數(shù)，分析得到大閘蟹背部圖像像素占比與其重量成近似正比例關(guān)系，因此可根據(jù)背部圖像的計(jì)算值得到其大小特征。根據(jù)大閘蟹公母、大小特征完成分級(jí)。實(shí)驗(yàn)結(jié)果表明，系統(tǒng)在大閘蟹公母識(shí)別方面平均準(zhǔn)確率達(dá)到92.655%，大小分級(jí)方面平均準(zhǔn)確率達(dá)到95%。

關(guān)鍵詞：大閘蟹；分級(jí)；AlexNet模型；Matlab；圖像處理

中圖分類號(hào)：TP391 " " "文獻(xiàn)標(biāo)志碼：A " " " " "文章編號(hào)：2096-9902（2024）08-0005-05

Abstract： A Chinese mitten crab （Eriocheir sinensis） grading system based on Matlab image processing was designed to address the limitations of current manual grading methods for Chinese mitten crabs. First， the back and abdomen images of Chinese mitten crabs of different grades were collected at the the Taihu Lake breeding base in Huzhou City， and the collected images were preprocessed by graying， threshold segmentation， and morphology. Then， the convolutional neural network AlexNet model was used to extract the male and female features of Chinese mitten crabs， and its size was calculated using the Area Method. By selecting the weight of 10 Chinese mitten crabs and converting the pixels calculated by the system into area parameters， it was analyzed that the proportion of pixels in the back image of Chinese mitten crabs is approximately proportional to their weight. Therefore， their size characteristics can be obtained based on the calculated values of the back image. Grading was completed based on the male and female characteristics and size of Chinese mitten crabs. The experimental results show that the system has an average accuracy rate of 92.655% in recognizing male and female Chinese mitten crabs， with an average accuracy rate of 95% in size grading.

Keywords： Chinese mitten crab （Eriocheir sinensis）; grading; AlexNet model; Matlab; image processing

大閘蟹是我國最重要的經(jīng)濟(jì)價(jià)值水產(chǎn)品之一，味道鮮美、營養(yǎng)豐富[1]。按照大閘蟹的公母、重量、大小等不同，其定價(jià)差異較大。目前，大閘蟹分級(jí)一般需要分級(jí)人員通過經(jīng)驗(yàn)用肉眼進(jìn)行分辨，存在耗時(shí)費(fèi)力、準(zhǔn)確率不高且效率較低等問題。同時(shí)，高昂的人工費(fèi)用也增加了大閘蟹的售賣成本。圖像處理技術(shù)可在一定程度上解決上述問題，目前在農(nóng)產(chǎn)品品質(zhì)自動(dòng)識(shí)別領(lǐng)域應(yīng)用也越來越廣泛[2]。文獻(xiàn)[3-4]采用基于機(jī)器視覺方法，嘗試了對(duì)石榴、香蕉的品質(zhì)分級(jí)，獲得了較好的結(jié)果。文獻(xiàn)[5-8]利用Matlab進(jìn)行農(nóng)產(chǎn)品分級(jí)或識(shí)別，最高時(shí)訓(xùn)練精度可達(dá)99.98%。以上研究說明，圖像處理技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動(dòng)識(shí)別領(lǐng)域有較好的效果。本文將Matlab圖像處理技術(shù)應(yīng)用于大閘蟹自動(dòng)分級(jí)場(chǎng)景，采用卷積神經(jīng)網(wǎng)絡(luò)AlexNet模型，設(shè)計(jì)實(shí)現(xiàn)了一個(gè)系統(tǒng)，能夠高效地識(shí)別大閘蟹圖像的公母和大小特征，實(shí)現(xiàn)大閘蟹自動(dòng)分級(jí)。

1 "大閘蟹系統(tǒng)整體框架設(shè)計(jì)

大閘蟹分級(jí)系統(tǒng)一般過程如圖1所示。

圖1 "大閘蟹分級(jí)框架

圖像采集：本文實(shí)驗(yàn)數(shù)據(jù)采集自浙江省湖州市吳興區(qū)太湖大閘蟹養(yǎng)殖基地，采集設(shè)備為IQOO Z3手機(jī)（分辨率2 448像素×3 264像素）。將大閘蟹樣本放在相同的背景和光照條件下，拍大閘蟹背部和腹部圖像。共拍攝圖片900張，含腹部600張、背部300張，并做好標(biāo)簽。腹部圖像含公蟹300張、母蟹300張，背部圖像分3個(gè)等級(jí)，每個(gè)等級(jí)100張。

圖像預(yù)處理：主要進(jìn)行圖像灰度化、閾值分割、形態(tài)學(xué)降噪和邊緣檢測(cè)等操作，并通過隨機(jī)旋轉(zhuǎn)、隨機(jī)翻轉(zhuǎn)、高斯噪聲、剪切和平移5種數(shù)據(jù)增強(qiáng)方法進(jìn)行數(shù)據(jù)集擴(kuò)充，將圖片數(shù)量擴(kuò)充至3 170張。對(duì)模型訓(xùn)練而言，統(tǒng)一的圖像規(guī)格尺寸更便于開展卷積運(yùn)算操作，因此本文采用壓縮或者擴(kuò)大的方式，將腹部圖像像素統(tǒng)一調(diào)整為224×224，背部圖像像素統(tǒng)一調(diào)整為500×500。

利用Matlab 2022a進(jìn)行圖像處理工作，首先使用深度網(wǎng)絡(luò)設(shè)計(jì)工具箱，把已有腹部圖像訓(xùn)練公母分類網(wǎng)絡(luò)模型，接著將大閘蟹的背部圖像轉(zhuǎn)化為灰度圖像、自動(dòng)閾值、二值化和形態(tài)學(xué)處理得到大閘蟹大?。ù箝l蟹的像素點(diǎn)總和），最后綜合得到大閘蟹外部2種特征數(shù)據(jù)，進(jìn)行大閘蟹樣本等級(jí)分級(jí)，并且設(shè)計(jì)了用戶交互界面，方便操作。

2 "大閘蟹圖像預(yù)處理

2.1 "灰度化處理

灰度化處理的目的是將大閘蟹背部的彩色圖像轉(zhuǎn)換為灰色圖像，以突出彩色圖像中描述的目標(biāo)特征，同時(shí)降低圖像數(shù)據(jù)的運(yùn)算量?；叶然幚沓Ｒ姺椒ㄓ衅骄?、加權(quán)平均法、最大值法和最小值法等[9-10]。平均灰度化和加權(quán)平均灰度化結(jié)果如圖2所示。易于發(fā)現(xiàn)，采用加權(quán)平均灰度化，大閘蟹目標(biāo)與背景區(qū)分明顯，便于進(jìn)行圖像分割處理。因此，本系統(tǒng)選用加權(quán)平均灰度化。加權(quán)平均法按灰度值圖像三通道RGB的重要性對(duì)各通道亮度值進(jìn)行加權(quán)平均[11]，所得結(jié)果作為灰度圖的灰度值，計(jì)算公式如下

Gray=0.299R+0.587G+0.114B 。 （1）

（a） "平均法灰度化結(jié)果 （b） "加權(quán)平均法灰度化結(jié)果

圖2 灰度化處理結(jié)果圖

2.2 "圖像分割

這里圖像分割是指把圖像從背景中分離出來，主要方法有閾值分割、邊緣分割、區(qū)域分割和聚類分割等[12-14]。本系統(tǒng)選用閾值分割，先計(jì)算大閘蟹背部圖像灰色直方圖，通過分析得到灰度閾值T=0.612，使用該閾值進(jìn)行大閘蟹與背景的分割得到二值圖像。

2.3 "形態(tài)學(xué)處理

形態(tài)學(xué)處理是指消除圖像二值化后出現(xiàn)的孤立像素點(diǎn)或邊緣不平滑現(xiàn)象，這些現(xiàn)象會(huì)使特征提取結(jié)果產(chǎn)生一定誤差。形態(tài)學(xué)處理主要操作有膨脹、腐蝕、開運(yùn)算和閉運(yùn)算等[15]。這里的形態(tài)學(xué)處理，主要消除大閘蟹背部圖像邊緣毛刺。處理結(jié)果對(duì)比效果如圖3所示。

2.4 "邊緣檢測(cè)

邊緣檢測(cè)是用于檢測(cè)圖像中的邊界或輪廓的一種技術(shù)。邊緣通常表示圖像中灰度值或顏色發(fā)生顯著變化的地方，這些變化可能對(duì)應(yīng)著物體邊界、紋理、形狀或其他圖像特征。主要的邊緣檢測(cè)算子有Canny算子、Sobel算子、Laplacian算子和Roberts算子等[16]。本系統(tǒng)利用Canny算子獲取大閘蟹背部圖像邊緣部分，其邊緣定位準(zhǔn)確性和抗噪聲干擾性比其他算子結(jié)果更優(yōu)[17]。圖4和圖5分別為利用Canny算子，提取到的2個(gè)大閘蟹樣本的背部邊緣輪廓。

（a） "樣本1 " " " " " " " " " （b） "樣本2

圖4 "大閘蟹背部邊緣輪廓圖

圖5 "大閘蟹面積占比與重量散點(diǎn)圖

3 "大閘蟹特征數(shù)據(jù)提取

3.1 "AlexNet網(wǎng)絡(luò)建立

分辨大閘蟹公母最直接的方法是看大閘蟹腹部的臍，臍形狀若尖而窄是公螃蟹，圓而寬則是母螃蟹。這里使用Matlab深度網(wǎng)絡(luò)設(shè)計(jì)器建立AlexNet網(wǎng)絡(luò)，利用大閘蟹腹部圖片數(shù)據(jù)集訓(xùn)練得到大閘蟹公母二分類模型網(wǎng)絡(luò)，然后驗(yàn)證識(shí)別公母類型。本系統(tǒng)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)，由5個(gè)卷積層、3個(gè)池化層、3個(gè)全連接層構(gòu)成，能快速提取大閘蟹腹部圖像的特征信息。導(dǎo)入的大閘蟹腹部照片數(shù)據(jù)集中，公蟹圖片1 300張，母蟹圖像1 270張，隨機(jī)選出90%和10%的圖像樣本分別作為訓(xùn)練集與測(cè)試集。設(shè)置網(wǎng)絡(luò)參數(shù)，訓(xùn)練參數(shù)選取優(yōu)化器為SGDM，學(xué)習(xí)率為0.000 2，每次迭代數(shù)量為64，最大訓(xùn)練回合數(shù)10。實(shí)驗(yàn)結(jié)果見表1，約在第5輪進(jìn)入穩(wěn)定期，準(zhǔn)確率穩(wěn)定在99%以上，損失率下降到2%。

3.2 "大閘蟹大小分級(jí)

判斷大閘蟹大小可通過計(jì)算其背部圖像區(qū)域中的像素個(gè)數(shù)得到，若大閘蟹大小與其重量呈相關(guān)性，則可通過判斷大閘蟹大小間接獲得大閘蟹重量關(guān)系。這里選取大小不一的10只大閘蟹作為研究對(duì)象，先采集背部圖像和其重量并進(jìn)行編號(hào)。然后對(duì)大閘蟹背部圖像進(jìn)行降噪、灰度化、形態(tài)學(xué)處理，得到一副由像素值0和255組成的圖像（0為黑色，255為白色）。通過對(duì)圖像中255的像素點(diǎn)進(jìn)行計(jì)數(shù)，其總和即認(rèn)為是該大閘蟹背部面積[18]。將計(jì)算大閘蟹背部面積與重量數(shù)據(jù)，以散點(diǎn)形式展現(xiàn)，如圖5所示。

由圖5可看出，大閘蟹面積占比與重量近似成正比例關(guān)系。因此，可根據(jù)大閘蟹的圖像面積占比對(duì)大閘蟹按大小進(jìn)行分級(jí)。該大閘蟹養(yǎng)殖基地將大閘蟹分為3個(gè)等級(jí)（一等品質(zhì)最好，三等品質(zhì)最差），等級(jí)劃分情況見表2。

4 "大閘蟹分級(jí)系統(tǒng)設(shè)計(jì)

本系統(tǒng)使用的計(jì)算機(jī)硬件配置為Windows 10專業(yè)版64位操作系統(tǒng)，CPU為英特爾i5-10505，GPU為英偉達(dá)GeForce GT 730 1GB。軟件開發(fā)環(huán)境為Matlab 2022a版本。大閘蟹分級(jí)系統(tǒng)的GUI交互界面，初始運(yùn)行如圖6（a）所示，可進(jìn)行大閘蟹腹部圖像和背部圖像顯示，大閘蟹公母識(shí)別、背部圖像大小占比和等級(jí)分級(jí)結(jié)果顯示等。一只大閘蟹樣本識(shí)別和分級(jí)結(jié)果如圖6（b）所示。

表2 "劃分等級(jí)參考表

5 "大閘蟹分級(jí)實(shí)驗(yàn)

為驗(yàn)證分級(jí)系統(tǒng)的可靠性，對(duì)樣本大閘蟹進(jìn)行了分級(jí)實(shí)驗(yàn)。選取10%的測(cè)試集進(jìn)行測(cè)試識(shí)別（公蟹130張，母蟹127張），同時(shí)選取不同等級(jí)的大閘蟹各40只進(jìn)行分級(jí)驗(yàn)證。運(yùn)行計(jì)算得到在該系統(tǒng)下大閘蟹公母和大小分級(jí)識(shí)別準(zhǔn)確率，最終實(shí)驗(yàn)結(jié)果見表3、表4。通過Matlab自帶函數(shù)，利用混淆矩陣對(duì)公母識(shí)別模型進(jìn)行性能度量分析。模型驗(yàn)證結(jié)果的混淆矩陣為母蟹的正確樣本數(shù)為123張，公蟹的正確樣本數(shù)為115張，把真實(shí)為公蟹的預(yù)測(cè)為母蟹的樣本數(shù)為15張，把真實(shí)為母蟹的預(yù)測(cè)為公蟹的樣本數(shù)為4張。通過以上數(shù)據(jù)繪制統(tǒng)計(jì)表見表3。計(jì)算出識(shí)別母螃蟹的正確率為96.85%，識(shí)別出公螃蟹的正確率為88.46%。

由表3、表4得出，該分級(jí)系統(tǒng)大閘蟹的公母平均識(shí)別準(zhǔn)確率為92.655%，大小分級(jí)平均識(shí)別準(zhǔn)確率為95%，分級(jí)準(zhǔn)確率較高，證明了該系統(tǒng)在實(shí)際應(yīng)用中的有效性。

6 "結(jié)束語

本文基于Matlab圖像處理技術(shù)，設(shè)計(jì)了一個(gè)大閘蟹等級(jí)分級(jí)系統(tǒng)，該系統(tǒng)主要包括圖像輸入、預(yù)處理、特征提取及分級(jí)4個(gè)過程。最后實(shí)驗(yàn)結(jié)果表明，系統(tǒng)識(shí)別準(zhǔn)確率能夠滿足應(yīng)用需求。后續(xù)預(yù)改進(jìn)處：圖像輸入可采用程序調(diào)用攝像頭圖像采集；大閘蟹捆綁后進(jìn)行圖像采集，以減少大閘蟹非靜止而影響特征提取像素面積；本文分級(jí)標(biāo)準(zhǔn)只考慮了大小和公母特征，后續(xù)可增加顏色、成熟度、蟹足數(shù)量等特征。

參考文獻(xiàn)：

[1] 顧賽麒，王錫昌，陶寧萍，等.基于主成分分析和聚類分析評(píng)價(jià)中華絨螯蟹蟹肉香氣品質(zhì)的研究[J].食品工業(yè)科技，2012，33（24）：120-125.

[2] 朱云，凌志剛，張雨強(qiáng).機(jī)器視覺技術(shù)研究進(jìn)展及展望[J].圖學(xué)學(xué)報(bào)，2020，41（6）：871-890.

[3] 羅山，侯俊濤，鄭彬.基于機(jī)器視覺的石榴品質(zhì)自動(dòng)分級(jí)方法[J].中國農(nóng)機(jī)化學(xué)報(bào)，2023，44（3）：117-122.

[4] 王靈敏，蔣瑜.基于深度學(xué)習(xí)的香蕉成熟度自動(dòng)分級(jí)[J].食品與機(jī)械，2022，38（11）：149-154.

[5] 邵長(zhǎng)利.基于MATLAB圖像處理的鑄造表面粗糙度測(cè)量方法[J].鑄造，2019，68（4）：372-377.

[6] 何翠群，章海亮.基于MATLAB平臺(tái)的農(nóng)產(chǎn)品分級(jí)圖像處理系統(tǒng)[J].安徽農(nóng)業(yè)科學(xué)，2009，37（31）：15563-15565，15569.

[7] 耿飆，魏煒，梁成全，等.基于卷積神經(jīng)網(wǎng)絡(luò)的胸部X射線影像肺炎疾病分類研究[J].中國醫(yī)學(xué)計(jì)算機(jī)成像雜志，2023，29（1）：19-25.

[8] 陳文博，劉昌華，劉春苔，等.基于GoogLeNet的稻米品種識(shí)別與碎米檢測(cè)[J].中國糧油學(xué)報(bào)，2023，38（2）：146-152.

[9] 黃新波，高玉菡，張燁，等.基于聯(lián)合分量灰度化算法和深度學(xué)習(xí)的玻璃絕緣子目標(biāo)識(shí)別算法[J].電力自動(dòng)化設(shè)備，2022，42（4）：203-209.

[10] 劉騰飛，劉威.基于Matlab的腫瘤細(xì)胞識(shí)別系統(tǒng)[J].電子設(shè)計(jì)工程，2021，29（6）：1-5.

[11] 李忠虎，薛婉婷，呂鑫，等.基于圖像融合的風(fēng)電塔筒邊緣檢測(cè)及提取方法[J].國外電子測(cè)量技術(shù)，2022，41（3）：90-95.

[12] 黃鵬，鄭淇，梁超.圖像分割方法綜述[J].武漢大學(xué)學(xué)報(bào)（理學(xué)版），2020，66（6）：519-531.

[13] 韓思奇，王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù)，2002（6）：91-94，102.

[14] 成芳，應(yīng)義斌.基于Matlab平臺(tái)的稻種圖像分析系統(tǒng)[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2004，30（5）：572-576.

[15] 段青玲，陳鑫，許冠華，等.基于多維度特征和LightGBM的大閘蟹質(zhì)量估算方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（8）：353-360.

[16] 薛麗霞，李濤，王佐成.一種自適應(yīng)的Canny邊緣檢測(cè)算法[J].計(jì)算機(jī)應(yīng)用研究，2010，27（9）：3588-3590.

[17] 周飛燕，金林鵬，董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào)，2017，40（6）：1229-1251.

[18] 沈健.基于機(jī)器視覺的螃蟹分揀裝置研究[D].舟山：浙江海洋大學(xué)，2022.