Actualmente, la sobrepesca y la degradación de los ecosistemas marinos han disminuido las poblaciones de peces a nivel global, amenazando la seguridad alimentaria, la economía y el equilibrio ambiental. La Organización Mundial de la Salud (OMS) reconoce la acuicultura sostenible como una práctica esencial para abordar estos desafíos.
La acuicultura es la práctica de criar organismos acuáticos como peces, mariscos y plantas acuáticas en entornos controlados para producir alimentos, restaurar poblaciones silvestres y generar beneficios económicos. Esta actividad se puede realizar en agua dulce y salada, y busca ser sostenible minimizando el impacto ambiental. En el proceso de acuicultura intervienen diferentes etapas como el acondicionamiento de los estanques o tanques para la especie a cultivar, control de entornos para promover una alimentación adecuada y balanceada o la supervisión del crecimiento de las especies.
Tener una estimación precisa del número de especies presentes en un tanque puede generar ahorros económicos y mejoras en la producción acuícola. Esto se logra mediante la optimización del racionamiento de alimento, una preparación más eficiente de las instalaciones para las siguientes etapas del ciclo productivo, y un mejor entendimiento y aprendizaje de los propios procesos productivos.
En este proyecto de fin de grado se propone desarrollar una aplicación intuitiva y de fácil uso mediante la integración de un elemento gráfico interactivos (widgets) sobre el visor Napari. Esto permitirá crear una interfaz para que los investigadores estimen el número de peces presentes en una imagen. La aplicación se basa en un modelo preentrenado de segmentación semántica utilizando redes neuronales convolucionales (CNNs) y transformadores de visión (ViT), específicamente la arquitectura Segment Anything Model (SAM), que ha demostrado ser efectiva en la precisa segmentación de objetos en imágenes. Los resultados finales consistirán en comparar la salida de cuantificación de rodaballos de nuestro modelo con un banco de imágenes previamente etiquetado manualmente, donde se conoce con precisión el número de rodaballos para distintos niveles de zoom.
Las imágenes para las cuales se ha adaptado el modelo son de tanques de rodaballos en etapa larvaria. Se han logrado resultados con menos de un 2% de error y un máximo del 30% en el conteo de rodaballos.
Abstract:
Currently, overfishing and the degradation of marine ecosystems have reduced fish populations globally, threatening food security, the economy, and environmental balance. The World Health Organization (WHO) recognizes sustainable aquaculture as an essential practice to address these challenges.
Aquaculture is the practice of raising aquatic organisms such as fish, shellfish, and aquatic plants in controlled environments to produce food, restore wild populations, and generate economic benefits. This activity can be carried out in both freshwater and saltwater and aims to be sustainable by minimizing environmental impact. The aquaculture process involves different stages, such as conditioning ponds or tanks for the species to be cultivated, controlling environments to promote adequate and balanced feeding, and monitoring the growth of the species.
Having an accurate estimate of the number of species present in a tank can generate economic savings and improvements in aquaculture production. This is achieved by optimizing feed rationing, more efficient preparation of facilities for the next stages of the production cycle, and better understanding and learning of the production processes.
In this final degree project, it is proposed to develop an intuitive and easy-to-use application by integrating interactive graphical elements (widgets) on the Napari viewer. This will create an interface for researchers to estimate the number of fish present in an image. The application is based on a pre-trained semantic segmentation model using convolutional neural networks (CNN) and vision transformers (ViT), specifically the Segment Anything Model (SAM) architecture, which has proven effective in precise object segmentation in images. The results will consist of comparing the turbot quantification output of our model with a manually labeled image bank, where the number of turbots is precisely known for different zoom levels. The images for which the model has been adapted are from turbot tanks in the larval stage. Results have been achieved with less than 2% error and a maximum of 30% in turbot counting.
Actualmente, la sobrepesca y la degradación de los ecosistemas marinos han disminuido las poblaciones de peces a nivel global, amenazando la seguridad alimentaria, la economía y el equilibrio ambiental. La Organización Mundial de la Salud (OMS) reconoce la acuicultura sostenible como una práctica esencial para abordar estos desafíos.
La acuicultura es la práctica de criar organismos acuáticos como peces, mariscos y plantas acuáticas en entornos controlados para producir alimentos, restaurar poblaciones silvestres y generar beneficios económicos. Esta actividad se puede realizar en agua dulce y salada, y busca ser sostenible minimizando el impacto ambiental. En el proceso de acuicultura intervienen diferentes etapas como el acondicionamiento de los estanques o tanques para la especie a cultivar, control de entornos para promover una alimentación adecuada y balanceada o la supervisión del crecimiento de las especies.
Tener una estimación precisa del número de especies presentes en un tanque puede generar ahorros económicos y mejoras en la producción acuícola. Esto se logra mediante la optimización del racionamiento de alimento, una preparación más eficiente de las instalaciones para las siguientes etapas del ciclo productivo, y un mejor entendimiento y aprendizaje de los propios procesos productivos.
En este proyecto de fin de grado se propone desarrollar una aplicación intuitiva y de fácil uso mediante la integración de un elemento gráfico interactivos (widgets) sobre el visor Napari. Esto permitirá crear una interfaz para que los investigadores estimen el número de peces presentes en una imagen. La aplicación se basa en un modelo preentrenado de segmentación semántica utilizando redes neuronales convolucionales (CNNs) y transformadores de visión (ViT), específicamente la arquitectura Segment Anything Model (SAM), que ha demostrado ser efectiva en la precisa segmentación de objetos en imágenes. Los resultados finales consistirán en comparar la salida de cuantificación de rodaballos de nuestro modelo con un banco de imágenes previamente etiquetado manualmente, donde se conoce con precisión el número de rodaballos para distintos niveles de zoom.
Las imágenes para las cuales se ha adaptado el modelo son de tanques de rodaballos en etapa larvaria. Se han logrado resultados con menos de un 2% de error y un máximo del 30% en el conteo de rodaballos.
Abstract:
Currently, overfishing and the degradation of marine ecosystems have reduced fish populations globally, threatening food security, the economy, and environmental balance. The World Health Organization (WHO) recognizes sustainable aquaculture as an essential practice to address these challenges.
Aquaculture is the practice of raising aquatic organisms such as fish, shellfish, and aquatic plants in controlled environments to produce food, restore wild populations, and generate economic benefits. This activity can be carried out in both freshwater and saltwater and aims to be sustainable by minimizing environmental impact. The aquaculture process involves different stages, such as conditioning ponds or tanks for the species to be cultivated, controlling environments to promote adequate and balanced feeding, and monitoring the growth of the species.
Having an accurate estimate of the number of species present in a tank can generate economic savings and improvements in aquaculture production. This is achieved by optimizing feed rationing, more efficient preparation of facilities for the next stages of the production cycle, and better understanding and learning of the production processes.
In this final degree project, it is proposed to develop an intuitive and easy-to-use application by integrating interactive graphical elements (widgets) on the Napari viewer. This will create an interface for researchers to estimate the number of fish present in an image. The application is based on a pre-trained semantic segmentation model using convolutional neural networks (CNN) and vision transformers (ViT), specifically the Segment Anything Model (SAM) architecture, which has proven effective in precise object segmentation in images. The results will consist of comparing the turbot quantification output of our model with a manually labeled image bank, where the number of turbots is precisely known for different zoom levels. The images for which the model has been adapted are from turbot tanks in the larval stage. Results have been achieved with less than 2% error and a maximum of 30% in turbot counting. Read More
Related posts:
Estimación del tamaño de peces en imágenes estereoscópicas con aprendizaje automático y procesado de la imagen
Sistema de conteo de larvas de rodaballos mediante mapas de densidad
Detección y medición automática de rodaballos en tanques de piscifactoría con un sistema de visión estereoscópica
Detección de componentes electrónicos mediante el método de la bolsa de palabras visuales (BoVW)
Estudio de la atención en las arquitecturas transformer
Modelado tridimensional del prototipo de coche de competición UPM05e del equipo UPM Racing, por métodos de fotogrametría de objeto cercano (carrocería)