FishGrade

该数据集与一篇已接受发表的论文相关，用于一个基于视觉的机器人系统，用于自动鱼类质量分级和包装。数据集包括工业输送带上鲽鱼排的图像及其对应的实例分割标注（YOLO格式）。此外，数据集还提供了两个等级（A和B）鱼排的BAG文件，以及训练好的分割模型。数据集旨在用于自动鱼类质量分级和包装领域的研究和开发。

原始信息汇总

FishGrade 数据集概述

数据集基本信息

• 许可证: CC-BY-NC-4.0
• 存储大小: 129.71 MB
• 下载大小: 124.82 MB
• 来源: 使用Realsense D456相机录制

数据集内容

• 数据格式:
  • 图像数据: RGB格式
  • 标注格式: YOLO实例分割格式
• 特征字段:
  • image: 图像数据
  • annotations: 包含class_id和segmentation多边形坐标的列表

数据划分

划分	样本数量	数据大小
训练集	82	103.64 MB
验证集	21	26.07 MB

应用场景

• 工业传送带上的鳕鱼排质量分级
• 计算机视觉任务:
  • 实例分割
  • 物体尺寸测量

相关资源

• 预训练模型: 提供YOLOv8模型权重(best.pt和last.pt)
• BAG文件: 包含A级和B级鱼排的深度数据
• 代码示例: 提供鱼排周长测量的Python实现

标注信息

• 遵循YOLO实例分割格式
• 包含类别ID和分割多边形坐标

数据展示

• 提供示例图像展示鱼排实例分割效果

支持信息

• 资助项目: AGILEHAND (欧盟Horizon Europe项目，编号101092043)
• 合作伙伴: FBK, Produmar

引用信息

• 相关论文即将发布

搜集汇总

数据集介绍

构建方式

FishGrade数据集构建依托于工业级Realsense D456相机采集的鳕鱼排图像数据，采用YOLOv8实例分割模型进行精细化标注。研究团队在IEEE/CAA Journal of Automatica Sinica中详细阐述了数据采集流程：通过工业传送带动态捕获两种质量等级（A/B级）的鱼排RGB-D数据，同步记录BAG格式的深度信息文件。标注过程严格遵循YOLO实例分割标准，包含82组训练样本和21组验证样本，每帧图像均配有像素级分割坐标与分类标签。

特点

该数据集的核心价值在于其工业场景适配性，包含三个关键维度：多模态数据融合（RGB图像与深度信息BAG文件协同）、精细化实例标注（每个鱼排具有完整轮廓分割坐标）、质量分级标签体系。特别值得注意的是，A级鱼排样本具有显著尺寸特征，为基于形态学的质量检测算法开发提供了天然区分依据。数据采集过程模拟真实食品加工环境，光照条件、传送带运动等因素均被完整保留，增强了模型的工业部署鲁棒性。

使用方法

使用该数据集需结合PyTorch生态与OpenCV处理流程。用户可通过HuggingFace接口直接加载标准化分割数据，配套代码示例演示了深度信息与分割结果的协同处理方法。典型应用场景包括：加载预训练YOLOv8模型（提供best.pt权重）进行迁移学习，利用BAG文件中的深度数据计算鱼排几何参数，或通过提供的Python工具类实现工业场景下的实时质量检测。数据读取模块已封装色彩空间转换、标注解析等预处理功能，开发者可通过修改conf阈值调整检测灵敏度。

背景与挑战

背景概述

FishGrade数据集由欧洲研究团队在AGILEHAND项目支持下开发，旨在推动鱼类产品质量自动分级与包装的智能化进程。该数据集采用Realsense D456相机采集，包含工业传送带上的鳕鱼排图像及实例分割标注，并附带不同质量等级（A级与B级）的BAG文件。作为计算机视觉与机器人技术交叉应用的典型案例，该数据集通过结合YOLOv8实例分割算法与深度数据测量技术，为食品工业自动化提供了重要研究基础，相关成果发表于IEEE/CAA Journal of Automatica Sinica期刊。

当前挑战

该数据集面临的核心挑战体现在两个维度：其一，在领域问题层面，鱼类产品的非刚性变形特性导致传统图像处理方法难以稳定提取形态特征，而工业环境中的光照变化、传送带运动模糊等因素进一步增加了质量评级的误差风险；其二，在构建过程中，需解决深度数据与RGB图像的精确对齐、遮挡样本的自动过滤，以及小样本条件下模型泛化能力不足等技术难题。此外，BAG文件与分割模型的协同使用要求研究者具备多模态数据处理能力，这为方法复现设置了较高门槛。

常用场景

经典使用场景

在食品工业自动化领域，FishGrade数据集为鱼类产品质量分级提供了关键的技术支持。该数据集通过高精度的实例分割标注，使得计算机视觉系统能够准确识别和测量鱼排的尺寸特征，为自动化生产线上的质量分级提供了可靠的数据基础。数据集中的深度信息进一步增强了尺寸测量的准确性，满足了工业场景中对高精度分级的需求。

实际应用

在实际工业生产中，FishGrade数据集的应用显著提升了鱼类产品分级的效率和准确性。基于该数据集开发的视觉系统已成功部署于工业传送带场景，实现了对鱼排的自动分级和包装。这种自动化解决方案不仅降低了人工成本，还提高了产品分级的一致性，为食品加工业的智能化转型提供了示范。

衍生相关工作

围绕FishGrade数据集，已衍生出多项重要的研究工作。其中最突出的是基于YOLOv8架构的实例分割模型优化，该模型在鱼类产品分割任务中展现了卓越性能。此外，数据集还促进了多模态感知技术在食品工业中的应用研究，包括RGB-D数据的融合处理、非刚性物体测量算法的改进等方向。