贝类海产品的等级分选在贝类海产品的出售中占有着重要地位,能够直接影响着贝类海产品的销售价格,按照规格大小分级进行出售能够明显提高售价,给企业带来更高利润。人工分选,手工称重的方法进行分选,存在着分选速度慢、精度低、耗费大量人力的问题。贝类海产品的尺寸检测是贝类海产品视觉分选设备的重要组成部分,其检测通常使用传统视觉检测算法,需要进行精细的参数设置,存在着精度低、速度慢、泛化性差等缺点。良好的视觉尺寸检测算法有利于贝类海产品的等级分选,针对上述存在的问题,论文设计了一种基于深度学习的贝类海产品尺寸检测系统,主要研究内容如下:设计了贝类海产品尺寸检测系统开发流程,分析尺寸检测系统的基本组成,对尺寸检测系统的硬件方案进行了设计,根据尺寸检测的实际需求,设计了用于尺寸检测的分割分类算法的评估指标:m Io U,F1 score和FPS,其中要求m Io U达到95%以上,F1 score不低于99.5%,FPS不低于100;根据检测要求,设计了系统运行时的评估指标:要求面积检测的相对误差在±5%以内,系统检测速率高于10FPS,系统能够稳定运行。构建了尺寸检测场景下的贝类海产品数据集,包含三类贝类海产品:生蚝、鲍鱼和海螺,共900张图像,并且对数据集进行了像素级别的分割标注和类别标注,设计了适用于该数据集的图像预处理和图像增强方法。针对贝类海产品尺度变化大、边缘不规则的特点,提出了一种基于深度学习的编/解码模式的贝类海产品分割分类方法。为了获取图像的多尺度语义信息,网络的编码模块采用并联双分支网络结构,在保存图像空间细节的同时增强深层语义特征表示能力;使用通道分离混洗模块和深度卷积作为基础模块,提高算法运行速度;分割解码模块融合多尺度特征,充分提取上下文多尺度信息。通过对分选现场采集的900张图像进行测试,m Io U、F1 score和FPS分别达到了96.693%、99.872%和108FPS,实验结果表明,该方法能够快速的获得目标的分割区域和类别,并且具有较高的分割精度。在Qt开发平台上,使用C++语言,开发了贝类海产品尺寸检测软件,软件能够获取贝类海产品的外轮廓面积、长宽和类别,完成了用户登录界面、主界面、参数设置界面等的设计,使用Open VINO工具将深度学习模型进行了加速部署,最终使得系统能够以15FPS的速度稳定运行,并且面积检测的相对误差在±5%以内。