NVIDIA Jetson助力水产养殖企业打造自动化流水线

老百姓的日常餐桌上总少不了鱼，大快朵颐背后，您是否想到过，这些海产品通常都经过水产养殖企业的科学养殖处理，且肉感鲜美，安全可靠。

然而，水产养殖企业的大多数工作仍旧大量依靠人力，工人需要在潮湿环境下进行高强度的渔业作业，造成了鲜有年轻人愿意从事这类繁重、恶劣的工作。因此实现水产养殖的自动化流程，对水产养殖企业来说是极大的需求。

水产养殖企业的一个主要卖品就是鱼，包含各种鱼类的鱼苗和成鱼。鱼苗通常会被进行饲养，直到养成成鱼后再卖出。成鱼则是会被放进池塘中进行观察饲养。由于鱼苗的个体小，在一个水盆里很难判断鱼苗的数量，因此需要通过视觉目标检测的方法来对鱼苗计数。在国内、国外都有成熟的鱼苗计数器来对鱼苗的数量进行计数，有较高的准确率，但是却很少有成熟的、针对成鱼的计数产品。

来自华南理工大学自动化科学与工程学院的研究生林锐描述说：“一方面，成鱼的活动性要比鱼苗强得多，使得成鱼在不同时刻可能有不同的姿态，给视觉检测造成困扰；另一方面，成鱼之间相互重叠遮挡的情况更为明显，较难从二维图像中判断鱼遮挡重叠时的数量情况。”

用实例分割模型对成鱼计数

作为校企合作项目，林锐和他的小伙伴们一起，与某水产养殖企业合作，目标是帮助企业在放鱼作业时能了解鱼的数量和大致重量。

本项目的应用场景是：水产养殖企业将采购的鱼装在车厢中，并载回到养殖场，将车厢和放鱼槽连接，放鱼槽另一端连接池塘，放鱼槽上安装了本项目的鱼计数和估重系统。打开车厢的闸门，将鱼放进放鱼槽并流向池塘，该系统则开始对鱼进行计数和估重，并将结果上传到后台服务器中。

图1放鱼槽示意图

图 1 中的 ① 即为NVIDIAJetson Xavier NX设备，② 为摄像头，① 和 ② 组成了本项目的硬件设备。③ 为该项目的实验对象。④ 为该项目所需要的放鱼槽设备。

林锐和他的队员们决定，使用深度学习实例分割算法作为鱼的目标检测模型。“实例分割是语义分割和目标检测的集成，它具有目标检测的功能，同时能对目标进行像素级的分割。”林锐介绍说。

利用图像中的一些语义信息，来帮助模型对相互遮挡重叠的鱼进行识别，从而使算法能更好地对成鱼进行计数。利用实例分割模型得到的目标掩膜，可以建立目标像素面积和重量的一个线性模型，通过这个模型得到鱼的估计重量，帮助企业能较好地了解这一批次鱼的数量和重量。

在算力和成本中达到最佳平衡

同学们利用现场收集的上千张鱼的图片作为训练数据集，部分图片如图 2 所示。

图 2训练集图片

利用收集的鱼类数据集训练算法，使用了 PyTorch1.4 框架，CUDA10.0以及NVIDIA GPU进行训练，并且算法的 Backbone 层修改为 ResNet18。在训练完算法之后，先将模型转化为 ONNX 格式，将模型权重导出为 wts 格 式，并通过TensorRT框架实现 YOLACT 算法的加速引擎。部署到 Jetson Xavier NX 上使用的是 C++ 语言，然后使用了 Qt 开源框架搭建了一个人机操作界面，并且移植到 Jetson Xavier NX 平台上。

“由于本项目用到实例分割算法，需要算力较高的设备。”林锐说，权衡了成本后，最终选择 NVIDIA Jetson Xavier NX。它拥有 384 个 CUDA 核心以及 48 个Tensor核 心，Volta架构，在 INT8 数据格式下可以达到 21TOPS 的算力，在 FP16 数据格式下可以达到 10TOPS 的算力。

将整个 Qt 程序移植到 NVIDIA Jetson Xavier NX 设备上，最后的呈现效果如图 3 所 示。

图 3Jetson Xavier NX 界面显示

“虽然本项目主要研究成鱼的计数和估重，只是水产养殖业中的一个简单环节， 但是本项目的技术可以推广到水产养殖业的其他工作任务，”林锐说，“国内的水产养殖企业大多是劳动密集型企业，大多数工作需要人力来完成。因此，通过引进一些智能科技，帮助水产养殖企业打造自动化流水线，能提高水产养殖企业的经济收益和工作效率。这将有利于原型机产品的推广和研发，并打开一个新的市场。”

给 Jetson 开发者们的建议

作为资深开发者，已经使用了好几代 NVIDIA Jetson 产品的林锐说：“Jetson 系列有多个不同型号的设备，适用于不同的应用场景和需求。因此，在选择 Jetson 设备时，需要根据自己的需求选择合适的设备。”

“作为 NVIDIA Jetson 用户，需要深入了解设备的功能和性能，学习优化代码以实现更好的性能。与此同时，Jetson 拥有一个活跃的社区，包括开发者、用户和爱好者。加入社区可以获得帮助、分享经验和学习新技能。Jetson 社区还有许多活动和比赛，可以帮助用户提高技能，认识到更多的应用场景。”

审核编辑 ：李倩