卷积神经网络在检查塞拉萨尔米德 (Characiformes) 幼指动物中的作用
Marília Parreira Fernandes1, Adriano Carvalho Costa1, Heyde Francielle do Carmo França1
1Federal Institute of Education, Science and Technology of Goiás (IF Goiano)-Campus Rio Verde, Goiana South Highway, Km 01, Rio Verde 75901-970, GO, Brazil.
Animals : an open access journal from MDPI
|February 24, 2024
概括
卷积神经网络 (CNN) 在水产养殖中有效地计算鱼的指纹. 预训练CNN的准确度超过99%,而随着鱼类密度的增加,AutoML的性能下降.
科学领域:
- 水产养殖和人工智能的人工智能
- 计算机视觉在农业中的应用
背景情况:
- 水产养殖是全球主要的粮食来源,每年生产超过1.22亿鱼.
- 由于其营养和感官质量,Serrasalmidae物种在水产养殖中具有经济重要性.
- 越来越多的需求需要自动化,以提高鱼类养殖的准确性,效率和降低成本.
研究的目的:
- 评估卷积神经网络 (CNN) 在自动计数Serrasalmidae鱼指纹的有效性.
- 为了比较预训练CNN模型与AutoML平台的性能,以在不同密度下计数鱼类.
主要方法:
- 在照明环境中利用了390张鱼指的彩色照片.
- 应用了两种基于CNN的对象检测模型:预训练CNN和AutoML在线平台.
- 使用精度,回忆,准确性和F1-Score指标评估模型性能.
主要成果:
- 预训练的CNN模型表现出高效率,在所有测试的鱼密度中达到99%或更高的准确性,精度和回忆率.
- 随着鱼类密度的增加,AutoML平台的准确性和回忆率下降.
- 在水产养殖中,CNN被证明是自动鱼类检测和计数的有效工具.
结论:
- 卷积神经网络在水产养殖中对鱼类自动计数非常有效.
- 与AutoML平台相比,预先训练有素的CNN模型为此任务提供了更高的性能和可靠性,特别是在不同的密度下.
- 使用CNN的自动计数可以显著减少人类干预,时间,错误和鱼类生产成本.
更多相关视频
10:18Photodiode-Based Optical Imaging for Recording Network Dynamics with Single-Neuron Resolution in Non-Transgenic Invertebrates
Published on: July 9, 2020
2.9K
03:49Author Spotlight: Use of Fish Scales for Bone Remodeling Research – Advancements in Ex Vivo Imaging and Dissecting Cell Interactions
Published on: May 3, 2024
3.0K
