Resumen:
El objetivo de este proyecto, titulado “Sistema automatizado de segmentación de truchas en vídeo para el estudio de su comportamiento”, es desarrollar un sistema automático de segmentación y seguimiento de truchas en vídeos, para facilitar estudios sobre el comportamiento de estos peces en acuicultura. La segmentación de imágenes es una herramienta central en la visión artificial, especialmente útil para solventar problemas donde las regiones a segmentar tienen características muy similares. A través del uso de inteligencia artificial, específicamente el aprendizaje profundo y las redes neuronales convolucionales (CNN), se ha demostrado una gran eficacia en la segmentación de imágenes debido a su capacidad para aprender y reconocer patrones.
El principal objetivo de este proyecto es la implementación de un sistema capaz de localizar una trucha en un entorno controlado y realizar un seguimiento de sus movimientos, identificando exactamente la sección en la que se encuentra en cada momento. Para lograr esto, se han establecido varias metas: desarrollar un sistema que permita segmentar el pez completo y localizar partes específicas como la cabeza.
Desde una perspectiva tecnológica, el sistema ha sido codificado en Python y utiliza una red neuronal para agilizar el proceso de segmentación y seguimiento. La entrada al sistema consiste en vídeos que muestran una trucha en un entorno controlado. Las condiciones finales esperadas son que el sistema sea capaz de detectar la presencia de la trucha, rastrear sus movimientos y generar un vídeo de salida que resalte la trucha mediante un recuadro y una máscara que destaca su figura.
Los resultados obtenidos evidencian que el método basado en el uso del centroide con un tamaño de imagen de 640 ofrece la mayor precisión, con una eficacia del 90,38%. Sin embargo, para aplicaciones que requieren una mayor rapidez de procesamiento, el uso de un tamaño de imagen de 320 también es viable, sacrificando solo un 2,09% de eficacia. La flexibilidad del sistema permite ajustar este valor según las necesidades específicas.
En conclusión, el sistema desarrollado es una herramienta eficaz para el seguimiento de truchas, proporcionando una base sólida para estudios detallados sobre su comportamiento. A pesar de los desafíos tecnológicos y de precisión, los resultados obtenidos son prometedores y demuestran la viabilidad de utilizar técnicas de inteligencia artificial en el ámbito de la acuicultura.
Abstract:
The aim of this project, titled “Automated trout segmentation system in video for studying their behaviour,” is to develop an automatic system for segmenting and tracking trout in videos, with the goal of facilitating studies on the behaviour of these fish in aquaculture. Image segmentation is a central tool in computer vision, particularly useful for solving problems where the regions to be segmented have very similar characteristics. Using artificial intelligence, specifically deep learning and convolutional neural networks (CNN), significant effectiveness in image segmentation has been demonstrated due to their ability to learn and recognize patterns.
The main goal of this project is to implement a system capable of locating a trout in a controlled environment and tracking its movements, precisely identifying the section it is in at any given moment. To achieve this, several goals have been established: developing a system that can segment the entire fish and locate specific parts such as the head.
From a technological perspective, the system has been coded in Python and uses a neural network to speed up the segmentation and tracking process. The system’s input consists of videos showing a trout in a controlled environment. The expected final conditions are that the system can detect the presence of the trout, track its movements, and generate an output video that highlights the trout with a bounding box and a mask that emphasize its figure.
The results show that the method based on using the centroid with an image size of 640 offers the highest accuracy, with a success rate of 90.38%. However, for applications requiring faster processing, using an image size of 320 is also viable, sacrificing only 2.09% accuracy. The system’s flexibility allows this value to be adjusted according to specific needs.
In conclusion, the developed system is an effective tool for tracking trout, providing a solid foundation for detailed studies on their behaviour. Despite the technological and accuracy challenges, the results obtained are promising and demonstrate the feasibility of using artificial intelligence techniques in the field of aquaculture.
Resumen:
El objetivo de este proyecto, titulado “Sistema automatizado de segmentación de truchas en vídeo para el estudio de su comportamiento”, es desarrollar un sistema automático de segmentación y seguimiento de truchas en vídeos, para facilitar estudios sobre el comportamiento de estos peces en acuicultura. La segmentación de imágenes es una herramienta central en la visión artificial, especialmente útil para solventar problemas donde las regiones a segmentar tienen características muy similares. A través del uso de inteligencia artificial, específicamente el aprendizaje profundo y las redes neuronales convolucionales (CNN), se ha demostrado una gran eficacia en la segmentación de imágenes debido a su capacidad para aprender y reconocer patrones.
El principal objetivo de este proyecto es la implementación de un sistema capaz de localizar una trucha en un entorno controlado y realizar un seguimiento de sus movimientos, identificando exactamente la sección en la que se encuentra en cada momento. Para lograr esto, se han establecido varias metas: desarrollar un sistema que permita segmentar el pez completo y localizar partes específicas como la cabeza.
Desde una perspectiva tecnológica, el sistema ha sido codificado en Python y utiliza una red neuronal para agilizar el proceso de segmentación y seguimiento. La entrada al sistema consiste en vídeos que muestran una trucha en un entorno controlado. Las condiciones finales esperadas son que el sistema sea capaz de detectar la presencia de la trucha, rastrear sus movimientos y generar un vídeo de salida que resalte la trucha mediante un recuadro y una máscara que destaca su figura.
Los resultados obtenidos evidencian que el método basado en el uso del centroide con un tamaño de imagen de 640 ofrece la mayor precisión, con una eficacia del 90,38%. Sin embargo, para aplicaciones que requieren una mayor rapidez de procesamiento, el uso de un tamaño de imagen de 320 también es viable, sacrificando solo un 2,09% de eficacia. La flexibilidad del sistema permite ajustar este valor según las necesidades específicas.
En conclusión, el sistema desarrollado es una herramienta eficaz para el seguimiento de truchas, proporcionando una base sólida para estudios detallados sobre su comportamiento. A pesar de los desafíos tecnológicos y de precisión, los resultados obtenidos son prometedores y demuestran la viabilidad de utilizar técnicas de inteligencia artificial en el ámbito de la acuicultura.
Abstract:
The aim of this project, titled “Automated trout segmentation system in video for studying their behaviour,” is to develop an automatic system for segmenting and tracking trout in videos, with the goal of facilitating studies on the behaviour of these fish in aquaculture. Image segmentation is a central tool in computer vision, particularly useful for solving problems where the regions to be segmented have very similar characteristics. Using artificial intelligence, specifically deep learning and convolutional neural networks (CNN), significant effectiveness in image segmentation has been demonstrated due to their ability to learn and recognize patterns.
The main goal of this project is to implement a system capable of locating a trout in a controlled environment and tracking its movements, precisely identifying the section it is in at any given moment. To achieve this, several goals have been established: developing a system that can segment the entire fish and locate specific parts such as the head.
From a technological perspective, the system has been coded in Python and uses a neural network to speed up the segmentation and tracking process. The system’s input consists of videos showing a trout in a controlled environment. The expected final conditions are that the system can detect the presence of the trout, track its movements, and generate an output video that highlights the trout with a bounding box and a mask that emphasize its figure.
The results show that the method based on using the centroid with an image size of 640 offers the highest accuracy, with a success rate of 90.38%. However, for applications requiring faster processing, using an image size of 320 is also viable, sacrificing only 2.09% accuracy. The system’s flexibility allows this value to be adjusted according to specific needs.
In conclusion, the developed system is an effective tool for tracking trout, providing a solid foundation for detailed studies on their behaviour. Despite the technological and accuracy challenges, the results obtained are promising and demonstrate the feasibility of using artificial intelligence techniques in the field of aquaculture. Read More
Related posts:
Sistemas constructivos paramétricos en Inteligencia Artificial
Detección y seguimiento de truchas en vídeo con eliminación de fondo
Diffusion Model Based Brain Tumour Segmentation Enhanced With Inpainting Method
Teoría de la comunicación
Mejora de la segmentación semántica de imágenes dermoscópicas multiclase
Sistema para la detección automática del movimiento de truchas en un experimento Net Test