論文の概要: Tuna Nutriment Tracking using Trajectory Mapping in Application to
Aquaculture Fish Tank
- arxiv url: http://arxiv.org/abs/2103.05886v1
- Date: Wed, 10 Mar 2021 06:02:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:55:43.417211
- Title: Tuna Nutriment Tracking using Trajectory Mapping in Application to
Aquaculture Fish Tank
- Title（参考訳）: 軌跡マッピングを用いたマグロの栄養管理と養殖魚槽への応用
- Authors: Hilmil Pradana and Keiichi Horio
- Abstract要約: タンク内の魚の状態を推定し、栄養素の量を調整することは、魚の給餌システムのコスト管理に重要な役割を担っている。
本手法は,養殖魚養殖場から採取したビデオの栄養状態の追跡に基づく。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The cost of fish feeding is usually around 40 percent of total production
cost. Estimating a state of fishes in a tank and adjusting an amount of
nutriments play an important role to manage cost of fish feeding system. Our
approach is based on tracking nutriments on videos collected from an active
aquaculture fish farm. Tracking approach is applied to acknowledge movement of
nutriment to understand more about the fish behavior. Recently, there has been
increasing number of researchers focused on developing tracking algorithms to
generate more accurate and faster determination of object. Unfortunately,
recent studies have shown that efficient and robust tracking of multiple
objects with complex relations remain unsolved. Hence, focusing to develop
tracking algorithm in aquaculture is more challenging because tracked object
has a lot of aquatic variant creatures. By following aforementioned problem, we
develop tuna nutriment tracking based on the classical minimum cost problem
which consistently performs well in real environment datasets. In evaluation,
the proposed method achieved 21.32 pixels and 3.08 pixels for average error
distance and standard deviation, respectively. Quantitative evaluation based on
the data generated by human annotators shows that the proposed method is
valuable for aquaculture fish farm and can be widely applied to real
environment datasets.
- Abstract（参考訳）: 魚の供給のコストは、通常、総生産コストの約40%です。
タンク内の魚の状態を推定し、栄養素の量を調整することは、魚の給餌システムのコスト管理に重要な役割を担っている。
本手法は,養殖魚養殖場から採取したビデオの栄養状態の追跡に基づく。
追跡アプローチは、魚の行動についてより理解するために栄養の移動を認識するために適用されます。
近年,物体のより正確かつ高速な判定を行うトラッキングアルゴリズムの開発に注目する研究者が増えている。
残念なことに、最近の研究では、複雑な関係を持つ複数の物体の効率的で堅牢な追跡は未解決のままである。
したがって、水産養殖における追跡アルゴリズムの開発に注力することは、追跡対象には多くの水生生物が存在するため、より困難である。
上記の問題に追従することにより,実環境データセットにおいて一貫して機能する古典的最小コスト問題に基づくマグロ栄養トラッキングを開発する。
提案手法は平均誤差距離と標準偏差に対して21.32ピクセルと3.8ピクセルを達成した。
ヒトの注釈者によるデータに基づく定量的評価により,本手法は養殖魚の養殖に有用であり,実環境データセットにも広く適用可能であることが示された。
関連論文リスト
- Precision Aquaculture: An Integrated Computer Vision and IoT Approach for Optimized Tilapia Feeding [1.9198713957364215]
伝統的な魚の養殖は効率の悪さを招き、環境問題や生産性を低下させる。
我々はコンピュータビジョンとIoT技術を組み合わせて、ティラピアの正確な給餌を行う革新的なシステムを開発した。
予備推計では、従来の農場に比べて58倍の増産が期待されている。
論文 参考訳（メタデータ） (2024-09-13T10:27:27Z) - NutritionVerse-Direct: Exploring Deep Neural Networks for Multitask Nutrition Prediction from Food Images [63.314702537010355]
自己申告法はしばしば不正確であり、重大な偏見に悩まされる。
近年、食品画像から栄養情報を予測するためにコンピュータビジョン予測システムを用いた研究が進められている。
本稿では,様々なニューラルネットワークアーキテクチャを活用することにより,食事摂取量推定の有効性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-05-13T14:56:55Z) - NutritionVerse: Empirical Study of Various Dietary Intake Estimation Approaches [59.38343165508926]
食事の正確な摂取推定は、健康的な食事を支援するための政策やプログラムを伝える上で重要である。
最近の研究は、コンピュータービジョンと機械学習を使用して、食物画像から食事摂取を自動的に推定することに焦点を当てている。
我々は,84,984個の合成2D食品画像と関連する食事情報を用いた最初の大規模データセットであるNutritionVerse-Synthを紹介した。
また、リアルなイメージデータセットであるNutritionVerse-Realを収集し、リアル性を評価するために、251の料理の889のイメージを含む。
論文 参考訳（メタデータ） (2023-09-14T13:29:41Z) - Feeding control and water quality monitoring in aquaculture systems:
Opportunities and challenges [0.5156484100374059]
水質のモニタリングと給餌の制御は、魚類の生産性のバランスと魚類の成長過程の形成の基本的な要素である。
現在、ほとんどの魚の養殖プロセスは異なる段階で手動で行われ、時間と挑戦的な人工的差別に依存している。
本稿では,養殖システムにおける魚の成長制御技術,すなわち動的養殖プロセスの給水・水質を最適化するアルゴリズムについて概説する。
論文 参考訳（メタデータ） (2023-06-14T07:10:12Z) - Towards The Creation Of The Future Fish Farm [3.8176219403982126]
魚の養殖環境は、管理された環境の中で魚介類の世話と管理を支援する。
このセクターでは、効率を高めるために新しい技術が常に実装されている。
本研究は,将来の養殖施設の効率性と利用性を示す概念実証である。
論文 参考訳（メタデータ） (2023-01-02T21:41:06Z) - TempNet: Temporal Attention Towards the Detection of Animal Behaviour in
Videos [63.85815474157357]
本稿では,映像中の生物学的行動を検出するための,効率的なコンピュータビジョンと深層学習に基づく手法を提案する。
TempNetはエンコーダブリッジと残留ブロックを使用して、2段階の空間的、そして時間的、エンコーダでモデル性能を維持する。
本研究では,サブルフィッシュ (Anoplopoma fimbria) 幼虫の検出への応用を実証する。
論文 参考訳（メタデータ） (2022-11-17T23:55:12Z) - Automatic Controlling Fish Feeding Machine using Feature Extraction of
Nutriment and Ripple Behavior [0.0]
栄養素数とリップル行動の推定を組み合わせたコンピュータビジョンに基づく自動魚介類供給機を提案する。
栄養素の数とリップル行動に基づいて, 実環境において常に良好に機能する魚の給餌機械を制御できる。
論文 参考訳（メタデータ） (2022-08-15T05:52:37Z) - Enhancing Food Intake Tracking in Long-Term Care with Automated Food
Imaging and Nutrient Intake Tracking (AFINI-T) Technology [71.37011431958805]
長期医療(LTC)の住民の半数は、入院、死亡、死亡率、生活の質の低下が悪化している。
本稿では,LCCのための食品自動撮像・栄養摂取追跡技術(AFINI-T)について述べる。
論文 参考訳（メタデータ） (2021-12-08T22:25:52Z) - Vision-Based Food Analysis for Automatic Dietary Assessment [49.32348549508578]
本総説では, 食品画像分析, 容積推定, 栄養素抽出の3段階からなる, 統合型ビジョンベース食事評価(VBDA)の枠組みを概説する。
深層学習により、VBDAは徐々にエンドツーエンドの実装へと移行し、単一のネットワークに食品画像を適用して栄養を直接見積もる。
論文 参考訳（メタデータ） (2021-08-06T05:46:01Z) - Movement Tracks for the Automatic Detection of Fish Behavior in Videos [63.85815474157357]
水中ビデオでサブルフィッシュ(Anoplopoma fimbria)の発芽行動のデータセットを提供し,その上での深層学習(DL)法による行動検出について検討した。
提案する検出システムは,Long Short-Term Memory(LSTM)ネットワークを用いて,サブルフィッシュの起動動作を識別する。
論文 参考訳（メタデータ） (2020-11-28T05:51:19Z) - A Realistic Fish-Habitat Dataset to Evaluate Algorithms for Underwater
Visual Analysis [2.6476746128312194]
我々は、DeepFishを大規模データセットでベンチマークスイートとして提示し、いくつかのコンピュータビジョンタスクのためのメソッドをトレーニングし、テストする。
このデータセットは、熱帯オーストラリアの海洋環境にある20の温帯生物から採取された約4万枚の画像で構成されている。
実験では,データセットの特徴を詳細に分析し,いくつかの最先端手法の性能評価を行った。
論文 参考訳（メタデータ） (2020-08-28T12:20:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。