基于神经网络的识别用于天然海洋息地中的贝 (Pecten maximus)

科学领域:

• 海洋生物学 海洋生物学
• 渔业 科学 渔业 科学
• 人工智能的人工智能

背景情况:

• 大大西洋 (Pecten maximus) 是英国有价值的渔业,越来越多的着陆需要有效的库存评估.
• 像疏采样这样的传统方法是有限的,潜在的破坏性,并且不涵盖所有贝息地.
• 缺乏对贝种群的水下视频数据的自动化分析,这阻碍了有效的管理.

研究的目的:

• 探索人工智能模型 (NetHarn) 的有效性,用于识别和计数自然海底息地中的Pecten maximus,使用水下视频.
• 从各种视频数据集中评估AI在分类贝 (国王,女王,死亡) 的表现.
• 为了确定AI应用在贝库存评估中的挑战和改进领域.

主要方法:

• 利用VIAME工具包中的NetHarn AI模型来分析水下视频截图.
• 将人工智能模型应用于NatureScot的各种视频录像中,其中包括贝在它们的自然环境中.
• 通过F1分数和平均平均精度 (mAP) 度量来评估模型性能.

主要成果:

• 网哈恩模型在分类贝类型方面取得了适度的表现,F1分数为0.44和mAP分数为0.41.
• 模型性能因地理位置,摄像机平台和息地类型而有很大差异.
• 发现的挑战包括模糊的图像,错误标签和需要更具代表性的培训数据.

结论:

• 人工智能,特别是NetHarn模型,展示了自动化贝丰度估计和海洋息地监测的潜力.
• 数据采集的改进,标准化的摄像系统和更大的注释数据集对于提高AI性能至关重要.
• 为了有效的海洋保护和渔业管理,建议进一步研究图像质量和数据优化.