En el ámbito de la acuicultura, la estimación precisa del número y tamaño de los peces en un tanque es crucial para la viabilidad de las piscifactorías. Este proyecto consiste en el desarrollo de una aplicación para el conteo de larvas de rodaballos mediante el uso de mapas de densidad generados a partir de redes neuronales convolucionales. Esta tecnología se implementó debido a su eficacia demostrada en tareas de conteo de objetos en imágenes.
Este proyecto continúa los resultados obtenidos en el proyecto final de grado de Alejandro Fernández González, quien utilizó el modelo SS-DCNet (Supervised Spatial Divide-and-Conquer Network), conocido por su precisión en el conteo de personas y otros objetos en diversas aplicaciones. En su proyecto, Alejandro adaptó el modelo SS-DCNet para trabajar con imágenes de alta densidad de larvas de rodaballo, logrando una precisión notable con un error medio absoluto inferior al 3.5%. En este proyecto, se amplía el estudio para el cálculo del error utilizando una desviación estándar variable (σ) para conjuntos de datos en función del día de nacimiento de la larva, en lugar de una desviación estándar fija para un conjunto de datos global.
Uno de los principales desafíos abordados en este proyecto fue la variabilidad en los datos de entrenamiento, específicamente en cuanto a las desviaciones estándar utilizadas en los mapas de densidad. Los resultados mostraron que, a pesar de las variaciones en los datos, el uso de una desviación estándar fija de 3 proporcionó el menor error en casi todos los conjuntos de datos evaluados. Esta observación se realizó tras comparar los resultados obtenidos con diferentes desviaciones estándar para los conjuntos de datos correspondientes a los días 23-25, 26, y 27-29. Para el conjunto de datos de los días 27-29, por ejemplo, los errores producidos mediante la desviación estándar de 4 resultaron considerablemente menor que el obtenido con otras desviaciones estándar.
A lo largo del proyecto, se utilizaron varios conjuntos de datos etiquetados manualmente, lo cual implicó un esfuerzo significativo en la preparación y anotación de las imágenes para todos los alumnos del grupo GAMMA (Grupo de Aplicaciones Multimedia y Acústica) . Sin embargo, la precisión alcanzada justifica este esfuerzo, destacando la importancia de los datos de entrenamiento referentes a su calidad en el rendimiento del modelo. Además, se evaluó el impacto de la variación en la densidad de los objetos en las imágenes, concluyendo que el modelo es robusto y capaz de mantener una alta precisión incluso en escenarios con alta densidad de objetos.
Como conclusión, este proyecto demuestra que es más efectivo la utilización de una desviación estándar fija para cada conjunto de datos específico, basados en el día de nacimiento de la larva, en lugar de utilizar una desviación estándar variable. Esto mejora la precisión y consistencia de los conteos automatizados, contribuyendo a la eficiencia y sostenibilidad de las piscifactorías, optimizando tanto el proceso de alimentación como la gestión de recursos acuícolas.
Abstract:
In the field of aquaculture, the accurate estimation of the number and size of fish in a tank is crucial for the viability of fish farms. This project involves the development of an application for counting turbot larvae using density maps generated by convolutional neural networks. This technology was implemented due to its proven effectiveness in object counting tasks in images.
This project continues the results obtained in Alejandro Fernández González’s final degree project, who used the SS-DCNet model (Supervised Spatial Divide-and-Conquer Network), known for its accuracy in counting people and other objects in various applications. In his project, Alejandro adapted the SS-DCNet model to work with high-density images of turbot larvae, achieving remarkable accuracy with a mean absolute error of less than 3.5%. In this project, the study is expanded to calculate the error using a variable standard deviation (σ) for data sets based on the larva’s day of birth, instead of a fixed standard deviation for a global data set.
One of the main challenges addressed in this project was the variability in the training data, specifically regarding the standard deviations used in the density maps. The results showed that despite the variations in the data, using a fixed standard deviation of 3 provided the lowest error in almost all the evaluated data sets. This observation was made after comparing the results obtained with different standard deviations for the data sets corresponding to days 23-25, 26, and 27-29. For the data set from days 27-29, for example, the errors produced using a standard deviation of 4 were significantly lower than those obtained with other standard deviations.
Throughout the project, several manually labeled data sets were used, which involved a significant effort in preparing and annotating the images by all the students in the GAMMA group (Group of Multimedia and Acoustic Applications). However, the achieved accuracy justifies this effort, highlighting the importance of the quality of the training data in the model’s performance. Additionally, the impact of the variation in object density in the images was evaluated, concluding that the model is robust and capable of maintaining high accuracy even in scenarios with high object density.
As a conclusion, this project demonstrates that using a fixed standard deviation for each specific data set, based on the larva’s day of birth, is more effective than using a variable standard deviation. This improves the accuracy and consistency of automated counts, contributing to the efficiency and sustainability of fish farms, optimizing both the feeding process and the management of aquaculture resources.
En el ámbito de la acuicultura, la estimación precisa del número y tamaño de los peces en un tanque es crucial para la viabilidad de las piscifactorías. Este proyecto consiste en el desarrollo de una aplicación para el conteo de larvas de rodaballos mediante el uso de mapas de densidad generados a partir de redes neuronales convolucionales. Esta tecnología se implementó debido a su eficacia demostrada en tareas de conteo de objetos en imágenes.
Este proyecto continúa los resultados obtenidos en el proyecto final de grado de Alejandro Fernández González, quien utilizó el modelo SS-DCNet (Supervised Spatial Divide-and-Conquer Network), conocido por su precisión en el conteo de personas y otros objetos en diversas aplicaciones. En su proyecto, Alejandro adaptó el modelo SS-DCNet para trabajar con imágenes de alta densidad de larvas de rodaballo, logrando una precisión notable con un error medio absoluto inferior al 3.5%. En este proyecto, se amplía el estudio para el cálculo del error utilizando una desviación estándar variable (σ) para conjuntos de datos en función del día de nacimiento de la larva, en lugar de una desviación estándar fija para un conjunto de datos global.
Uno de los principales desafíos abordados en este proyecto fue la variabilidad en los datos de entrenamiento, específicamente en cuanto a las desviaciones estándar utilizadas en los mapas de densidad. Los resultados mostraron que, a pesar de las variaciones en los datos, el uso de una desviación estándar fija de 3 proporcionó el menor error en casi todos los conjuntos de datos evaluados. Esta observación se realizó tras comparar los resultados obtenidos con diferentes desviaciones estándar para los conjuntos de datos correspondientes a los días 23-25, 26, y 27-29. Para el conjunto de datos de los días 27-29, por ejemplo, los errores producidos mediante la desviación estándar de 4 resultaron considerablemente menor que el obtenido con otras desviaciones estándar.
A lo largo del proyecto, se utilizaron varios conjuntos de datos etiquetados manualmente, lo cual implicó un esfuerzo significativo en la preparación y anotación de las imágenes para todos los alumnos del grupo GAMMA (Grupo de Aplicaciones Multimedia y Acústica) . Sin embargo, la precisión alcanzada justifica este esfuerzo, destacando la importancia de los datos de entrenamiento referentes a su calidad en el rendimiento del modelo. Además, se evaluó el impacto de la variación en la densidad de los objetos en las imágenes, concluyendo que el modelo es robusto y capaz de mantener una alta precisión incluso en escenarios con alta densidad de objetos.
Como conclusión, este proyecto demuestra que es más efectivo la utilización de una desviación estándar fija para cada conjunto de datos específico, basados en el día de nacimiento de la larva, en lugar de utilizar una desviación estándar variable. Esto mejora la precisión y consistencia de los conteos automatizados, contribuyendo a la eficiencia y sostenibilidad de las piscifactorías, optimizando tanto el proceso de alimentación como la gestión de recursos acuícolas.
Abstract:
In the field of aquaculture, the accurate estimation of the number and size of fish in a tank is crucial for the viability of fish farms. This project involves the development of an application for counting turbot larvae using density maps generated by convolutional neural networks. This technology was implemented due to its proven effectiveness in object counting tasks in images.
This project continues the results obtained in Alejandro Fernández González’s final degree project, who used the SS-DCNet model (Supervised Spatial Divide-and-Conquer Network), known for its accuracy in counting people and other objects in various applications. In his project, Alejandro adapted the SS-DCNet model to work with high-density images of turbot larvae, achieving remarkable accuracy with a mean absolute error of less than 3.5%. In this project, the study is expanded to calculate the error using a variable standard deviation (σ) for data sets based on the larva’s day of birth, instead of a fixed standard deviation for a global data set.
One of the main challenges addressed in this project was the variability in the training data, specifically regarding the standard deviations used in the density maps. The results showed that despite the variations in the data, using a fixed standard deviation of 3 provided the lowest error in almost all the evaluated data sets. This observation was made after comparing the results obtained with different standard deviations for the data sets corresponding to days 23-25, 26, and 27-29. For the data set from days 27-29, for example, the errors produced using a standard deviation of 4 were significantly lower than those obtained with other standard deviations.
Throughout the project, several manually labeled data sets were used, which involved a significant effort in preparing and annotating the images by all the students in the GAMMA group (Group of Multimedia and Acoustic Applications). However, the achieved accuracy justifies this effort, highlighting the importance of the quality of the training data in the model’s performance. Additionally, the impact of the variation in object density in the images was evaluated, concluding that the model is robust and capable of maintaining high accuracy even in scenarios with high object density.
As a conclusion, this project demonstrates that using a fixed standard deviation for each specific data set, based on the larva’s day of birth, is more effective than using a variable standard deviation. This improves the accuracy and consistency of automated counts, contributing to the efficiency and sustainability of fish farms, optimizing both the feeding process and the management of aquaculture resources. Read More
Related posts:
Diseño y validación de un modelo geométrico para el estudio acústico del Teatro Principal de Mora (Toledo)
Modelización 3D de la Escuela Técnica Superior de Ingenieros en Topografía, Geodesia y Cartografía (BIM) a partir de escaneos
Desarrollo de un sistema IoT para la ingestión de datos médicos
Diseño y Validación de un modelo geométrico para la caracterización acústica del Teatro Infanta Isabel de Madrid
Sistema de intercambio de archivos con servicios de seguridad y Nearby
Análisis comparativo de tres herramientas ETL (Extracción, Transformación y Carga de datos) para tres casos de transformación tipo en el contexto de las ciudades inteligentes