相关实验视频
Updated: Jun 13, 2025
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
12.5K
计算机模拟的虚拟图像数据集用于训练机器学习模型,用于在循环水产养殖中进行非侵入性鱼类检测
Sullivan R Steele1, Rakesh Ranjan1, Kata Sharrer1
1The Conservation Fund Freshwater Institute, Shepherdstown, WV 25443, USA.
Sensors (Basel, Switzerland)
|September 14, 2024
概括
通过计算机生成的图像模拟鱼类的学校行为,显示了训练人工智能 (AI) 模型在循环水产养殖系统 (RAS) 中的潜力. 将虚拟和真实图像结合起来,显著提高了鱼类检测模型的性能,并减少了训练时间.
科学领域:
- 水产养殖技术 水产养殖技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 再循环水产养殖系统 (RAS) 从人工智能和机器学习中获益.
- 在RAS中鱼类的高密度和度挑战了ML模型的水下图像采集.
- 手动图像注释是主观的,耗时的,劳动密集的.
研究的目的:
- 为了模拟RAS条件下的鱼群培养行为.
- 调查计算机模拟虚拟图像用于训练鱼类检测模型的使用.
- 开发一个加速模型训练和自动化虚拟图像注释的流程.
主要方法:
- 开发了一个过程流来模拟鱼群培养行为,并自动化虚拟图像注释.
- 训练并比较使用纯虚拟图像,纯真图像和两者的组合的鱼类检测模型.
- 使用平均平均精度 (mAP) 和F1分数评估模型性能.
主要成果:
- 一个仅在虚拟图像上训练的模型表现不佳 (mAP = 62.8%,F1 = 0.61).
- 混合模型 (M6) 具有90:10虚拟与真实图像比率 (630虚拟,70真实) 实现了高性能 (mAP = 91.8%,F1 = 0.87).
- M6模型的训练时间比在真实图像上训练的模型短7倍.
结论:
- 虚拟图像模拟是一种有前途的方法,可以快速训练RAS的可靠鱼类检测模型.
- 将一小部分真实图像与虚拟图像相结合,可以显著提高模型性能.
- 这种方法为水产养殖中ML的传统数据采集和注释提供了更有效的替代方案.
