水产养殖中的计算机视觉:对幼鱼计数的案例研究
Krishna Moorthy Babu1, Daniel Bentall1, David T Ashton2
1The New Zealand Institute for Plant and Food Research Limited, Lincoln, New Zealand.
Journal of the Royal Society of New Zealand
|October 23, 2024
概括
机器学习模型,单次射击检测 (SSD) 和更快的R-CNN显著加快了水产养殖中的幼鱼计数. 优化的模型实现了高精度,降低了成本,并使澳大利亚鱼的评估更快.
科学领域:
- 水产养殖是水产养殖的一种方式.
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 在水产养殖中计数幼鱼是劳动密集和昂贵的.
- 现有的方法依赖于手动计数,限制了吞吐量.
研究的目的:
- 评估机器学习模型的有效性,用于自动计数幼鱼.
- 为了增强澳大利亚鱼 (Chrysophrys auratus) 的手动计数方法.
主要方法:
- 使用了两个深度学习架构:单击检测 (SSD) 和更快的R-CNN.
- 调整模型参数 (信心值,非最大抑制) 并使用波桑回归进行偏差校正.
- 与手动计数对比的验证模型准确性.
主要成果:
- 优化的SSD和更快的R-CNN模型实现了低于10%的平均绝对百分比错误 (MAPE).
- 固态硬盘模型表现出卓越的性能,MAPE低于5%.
- 机器学习方法提供快速评估,补充了稍微更准确的手动计数 (MAPE=1.56).
结论:
- 机器学习为水产养殖中的幼鱼计数提供了可行,高吞吐量的解决方案.
- 这项研究是迈向实时鱼类计数和表型数据收集的基本步骤.
- 进一步开发可以提高水产养殖生产计划的自动化.
