論文の概要: Automatic Controlling Fish Feeding Machine using Feature Extraction of
Nutriment and Ripple Behavior
- arxiv url: http://arxiv.org/abs/2208.07011v1
- Date: Mon, 15 Aug 2022 05:52:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 14:03:47.016976
- Title: Automatic Controlling Fish Feeding Machine using Feature Extraction of
Nutriment and Ripple Behavior
- Title（参考訳）: 栄養・リップル行動の特徴抽出による魚の給餌機械の自動制御
- Authors: Hilmil Pradana and Keiichi Horio
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Controlling fish feeding machine is challenging problem because experienced
fishermen can adequately control based on assumption. To build robust method
for reasonable application, we propose automatic controlling fish feeding
machine based on computer vision using combination of counting nutriments and
estimating ripple behavior using regression and textural feature, respectively.
To count number of nutriments, we apply object detection and tracking methods
to acknowledge the nutriments moving to sea surface. Recently, object tracking
is active research and challenging problem in computer vision. Unfortunately,
the robust tracking method for multiple small objects with dense and complex
relationships is unsolved problem in aquaculture field with more appearance
creatures. Based on the number of nutriments and ripple behavior, we can
control fish feeding machine which consistently performs well in real
environment. Proposed method presents the agreement for automatic controlling
fish feeding by the activation graphs and textural feature of ripple behavior.
Our tracking method can precisely track the nutriments in next frame comparing
with other methods. Based on computational time, proposed method reaches 3.86
fps while other methods spend lower than 1.93 fps. Quantitative evaluation can
promise that proposed method is valuable for aquaculture fish farm with widely
applied to real environment.
- Abstract（参考訳）: 漁獲機械の制御は、経験豊富な漁師が仮定に基づいて適切に制御できるため、難しい問題である。
合理的な応用のためのロバストな手法を構築するために,栄養素の数え上げとレグレッションとテクスチュラル特徴を用いたリップル挙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の捕食機を提案する。
栄養分数を数えるために,海面に移動する栄養分を認識するために,物体検出法と追跡法を適用した。
近年,物体追跡はコンピュータビジョンにおける活発な研究と課題となっている。
残念なことに、密度が高く複雑な関係を持つ複数の小さな物体のロバストな追跡法は、より多くの外観を持つ水族館における未解決の問題である。
栄養分とリップル行動の数に基づいて,実環境において一貫して機能する魚給餌機を制御できる。
提案手法は, 活性化グラフによる魚の給餌を自動制御するための合意と, リップル行動のテクスチャ的特徴を示す。
追跡方法は,他の手法と比較して,次のフレームの栄養分を正確に追跡することができる。
計算時間に基づき、提案手法は3.86fps、他の手法は1.93fps未満である。
実環境に適用可能な養殖魚養殖場として,提案手法が有用であることを示す。
関連論文リスト
- 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) - How Much You Ate? Food Portion Estimation on Spoons [63.611551981684244]
現在の画像に基づく食品部分推定アルゴリズムは、ユーザが食事の画像を1、2回取ることを前提としている。
本稿では,静止型ユーザ向けカメラを用いて,機器上の食品の追跡を行う革新的なソリューションを提案する。
本システムは,スープやシチューなどの液状固形不均一混合物の栄養含量の推定に信頼性が高い。
論文 参考訳（メタデータ） (2024-05-12T00:16:02Z) - Livestock feeding behaviour: A review on automated systems for ruminant monitoring [33.7054351451505]
本論文は,反響者の摂食行動の分析に関する最初のチュートリアルスタイルのレビューである。
摂食行動に関連する信号を計測し分析するための主要なセンシング手法と主要な技術を評価する。
また、価値ある情報を提供する自動監視システムの可能性を強調している。
論文 参考訳（メタデータ） (2023-12-03T13:42:55Z) - FishMOT: A Simple and Effective Method for Fish Tracking Based on IoU
Matching [11.39414015803651]
FishMOTは、オブジェクト検出とObjectoUマッチングを組み合わせた、新しい魚追跡手法である。
本手法は, 各種環境および魚の数に対して, 優れた堅牢性と汎用性を示す。
論文 参考訳（メタデータ） (2023-09-06T13:16:41Z) - 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) - Computer Vision Methods for Automating Turbot Fish Cutting [117.44028458220427]
本稿では,ターボ魚の検体を切断する自動機械の設計について述べる。
マシンビジョンは頭部の境界を検出するために使用され、ロボットは頭部を切断するために使用される。
論文 参考訳（メタデータ） (2022-12-20T09:08:00Z) - 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) - 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) - A Survey of Fish Tracking Techniques Based on Computer Vision [11.994865945394139]
本稿では,過去7年間の魚類追跡技術の進歩を概観する。
基本的位置決めと追跡方法に重点を置き、多様な魚の追跡手法を探求する。
また、オープンソースのデータセット、評価指標、課題、魚の追跡研究への応用についても要約している。
論文 参考訳（メタデータ） (2021-10-06T07:46:35Z) - Tuna Nutriment Tracking using Trajectory Mapping in Application to
Aquaculture Fish Tank [0.0]
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。
論文 参考訳（メタデータ） (2021-03-10T06:02:19Z) - 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)
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。