En el presente proyecto se aborda la automatización del Net Test, un método clave en la evaluación del bienestar y comportamiento de la trucha arcoíris (Oncorhynchus mykiss) en acuicultura. Esta prueba consiste en extraer al pez del agua y observar sus reacciones de escape, que tradicionalmente se analizan manualmente, un proceso laborioso y propenso a errores. La propuesta de automatización utiliza técnicas de aprendizaje automático y visión por computadora para mejorar la precisión y eficiencia del análisis.
El objetivo principal del proyecto es desarrollar un sistema automatizado que capture, etiquete y analice los movimientos de las truchas durante el Net Test, para que más tarde los científicos correspondientes puedan categorizar su comportamiento en proactivo, reactivo o neutral. Para ello, se implementa el modelo YOLOv8 (You Only Look Once, versión 8), conocido por su alta eficiencia en la detección de objetos en tiempo real, y se utilizan herramientas como el CVAT (Computer Vision Annotation Tool) para el etiquetado de datos.
El proceso de desarrollo del sistema se estructura en varias fases: recopilación y preprocesamiento de datos, desarrollo y entrenamiento del modelo, y validación y evaluación de resultados. Durante estas etapas, se considera la normativa vigente en bienestar animal, garantizando que el procedimiento sea lo menos invasivo y estresante posible para los peces.
Los resultados obtenidos con el sistema automatizado se comparan con los análisis manuales tradicionales, utilizando métricas de precisión, sensibilidad y consistencia para evaluar su eficacia. Los hallazgos demuestran que la automatización no solo reduce significativamente el tiempo de análisis, sino que también mejora la precisión y consistencia en la categorización del comportamiento de las truchas.
En conclusión, la automatización del Net Test mediante técnicas de aprendizaje automático representa una solución viable y eficiente para la evaluación del comportamiento de peces en acuicultura. Este proyecto no solo mejora la eficiencia operativa y termina ayudando a mejorar el bienestar animal, sino que también aporta una herramienta valiosa para la investigación en este campo. Además, promueve el desarrollo de competencias avanzadas en visión por computadora y aprendizaje automático, subrayando la importancia de la innovación tecnológica en la ingeniería y la acuicultura sostenible.
Abstract:
This project deals with the automation of the Net Test, a key experimental method in the evaluation of the welfare and behavior of rainbow trout (Oncorhynchus mykiss) in aquaculture. This test consists of removing the fish from the water and observing its escape reactions. This escape movements are traditionally analyzed manually, which is a laborious and error-prone process. The automation proposal uses machine learning and computer vision techniques to improve the accuracy and efficiency of the analysis.
The main objective of the project is to develop an automated system that captures, tags and analyzes trout movements during the Net Test, so that later the corresponding scientists can categorize their behavior as proactive, reactive or neutral. For this purpose, the YOLOv8 (You Only Look Once, version 8) model, known for its high efficiency in detecting objects in real time, is implemented, and tools such as CVAT (Computer Vision Annotation Tool) are used for data labeling.
The results obtained with the automated system are compared to traditional manual analyses, using metrics of accuracy, sensitivity and consistency to evaluate its effectiveness. The results demonstrate that automation not only significantly reduces analysis time, but also improves accuracy and consistency in categorizing trout behavior.
In conclusion, automation of the Net Test using machine learning techniques represents a viable and efficient solution for the evaluation of fish behavior in aquaculture. This project not only improves operational efficiency and ultimately helps to improve animal welfare, but also provides a valuable tool for research in this field. In addition, it promotes the development of advanced competencies in computer vision and machine learning, highlighting the importance of technological innovation in engineering and sustainable aquaculture.
En el presente proyecto se aborda la automatización del Net Test, un método clave en la evaluación del bienestar y comportamiento de la trucha arcoíris (Oncorhynchus mykiss) en acuicultura. Esta prueba consiste en extraer al pez del agua y observar sus reacciones de escape, que tradicionalmente se analizan manualmente, un proceso laborioso y propenso a errores. La propuesta de automatización utiliza técnicas de aprendizaje automático y visión por computadora para mejorar la precisión y eficiencia del análisis.
El objetivo principal del proyecto es desarrollar un sistema automatizado que capture, etiquete y analice los movimientos de las truchas durante el Net Test, para que más tarde los científicos correspondientes puedan categorizar su comportamiento en proactivo, reactivo o neutral. Para ello, se implementa el modelo YOLOv8 (You Only Look Once, versión 8), conocido por su alta eficiencia en la detección de objetos en tiempo real, y se utilizan herramientas como el CVAT (Computer Vision Annotation Tool) para el etiquetado de datos.
El proceso de desarrollo del sistema se estructura en varias fases: recopilación y preprocesamiento de datos, desarrollo y entrenamiento del modelo, y validación y evaluación de resultados. Durante estas etapas, se considera la normativa vigente en bienestar animal, garantizando que el procedimiento sea lo menos invasivo y estresante posible para los peces.
Los resultados obtenidos con el sistema automatizado se comparan con los análisis manuales tradicionales, utilizando métricas de precisión, sensibilidad y consistencia para evaluar su eficacia. Los hallazgos demuestran que la automatización no solo reduce significativamente el tiempo de análisis, sino que también mejora la precisión y consistencia en la categorización del comportamiento de las truchas.
En conclusión, la automatización del Net Test mediante técnicas de aprendizaje automático representa una solución viable y eficiente para la evaluación del comportamiento de peces en acuicultura. Este proyecto no solo mejora la eficiencia operativa y termina ayudando a mejorar el bienestar animal, sino que también aporta una herramienta valiosa para la investigación en este campo. Además, promueve el desarrollo de competencias avanzadas en visión por computadora y aprendizaje automático, subrayando la importancia de la innovación tecnológica en la ingeniería y la acuicultura sostenible.
Abstract:
This project deals with the automation of the Net Test, a key experimental method in the evaluation of the welfare and behavior of rainbow trout (Oncorhynchus mykiss) in aquaculture. This test consists of removing the fish from the water and observing its escape reactions. This escape movements are traditionally analyzed manually, which is a laborious and error-prone process. The automation proposal uses machine learning and computer vision techniques to improve the accuracy and efficiency of the analysis.
The main objective of the project is to develop an automated system that captures, tags and analyzes trout movements during the Net Test, so that later the corresponding scientists can categorize their behavior as proactive, reactive or neutral. For this purpose, the YOLOv8 (You Only Look Once, version 8) model, known for its high efficiency in detecting objects in real time, is implemented, and tools such as CVAT (Computer Vision Annotation Tool) are used for data labeling.
The results obtained with the automated system are compared to traditional manual analyses, using metrics of accuracy, sensitivity and consistency to evaluate its effectiveness. The results demonstrate that automation not only significantly reduces analysis time, but also improves accuracy and consistency in categorizing trout behavior.
In conclusion, automation of the Net Test using machine learning techniques represents a viable and efficient solution for the evaluation of fish behavior in aquaculture. This project not only improves operational efficiency and ultimately helps to improve animal welfare, but also provides a valuable tool for research in this field. In addition, it promotes the development of advanced competencies in computer vision and machine learning, highlighting the importance of technological innovation in engineering and sustainable aquaculture. Read More
Related posts:
Convocatoria Abierta para el 29º Congreso Argentino de Control Automático
Sistema de conversión Audio-MIDI basado en redes neuronales
Automatización del experimento “open field” con detección y seguimiento de truchas
Empowering computer vision in higher education: a novel tool for enhancing video coding comprehension
Sistema automatizado de segmentación de truchas en vídeo para el estudio de su comportamiento
Sistema de cronometraje para tramos WRC a escala