論文の概要: Computer vision system to count crustacean larvae
- arxiv url: http://arxiv.org/abs/2209.05834v1
- Date: Tue, 13 Sep 2022 09:18:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 13:08:47.802851
- Title: Computer vision system to count crustacean larvae
- Title（参考訳）: 甲殻類幼虫を数えるコンピュータビジョンシステム
- Authors: Chen Rothschild
- Abstract要約: 産業用池で育てられた甲殻類の幼虫を自動的に数える2つのコンピュータビジョンシステムを開発した。
最初のシステムは、3024X4032解像度のiPhone 11カメラで、屋内の工業用池から画像を取得する。
第2のシステムには、2000X2000解像度のDSLR Nikon D510カメラが含まれ、工業用池の外で7つの実験が行われた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fish products account for about 16 percent of the human diet worldwide, as of
2017. The counting action is a significant component in growing and producing
these products. Growers must count the fish accurately, to do so technological
solutions are needed. Two computer vision systems to automatically count
crustacean larvae grown in industrial ponds were developed. The first system
included an iPhone 11 camera with 3024X4032 resolution which acquired images
from an industrial pond in indoor conditions. Two experiments were performed
with this system, the first one included 200 images acquired in one day on
growth stages 9,10 with an iPhone 11 camera on specific illumination condition.
In the second experiment, a larvae industrial pond was photographed for 11 days
with two devices an iPhone 11 and a SONY DSCHX90V cameras. With the first
device (iPhone 11) two illumination conditions were tested. In each condition,
110 images were acquired. That system resulted in an accuracy of 88.4 percent
image detection. The second system included a DSLR Nikon D510 camera with a
2000X2000 resolution with which seven experiments were performed outside the
industrial pond. Images were acquired on day 1 of larvae growing stage
resulting in the acquisition of a total of 700 images. That system resulted in
an accuracy of 86 percent for a density of 50. An algorithm that automatically
counts the number of larvae was developed for both cases based on the YOLOv5
CNN model. In addition, in this study, a larvae growth function was developed.
Daily, several larvae were taken manually from the industrial pond and analyzed
under a microscope. Once the growth stage was determined, images of the larva
were acquired. Each larva's length was measured manually from the images. The
most suitable model was the Gompertz model with a goodness of fit index of R
squared of 0.983.
- Abstract（参考訳）: 魚製品は2017年の世界の人間の食事の約16%を占めている。
計数作用は、これらの製品の成長と生産において重要な要素である。
栽培者は、技術的解決が必要なように、魚を正確に数えなければならない。
産業用池で生育する甲殻類幼虫を自動的に計数するコンピュータビジョンシステムを開発した。
最初のシステムは、3024X4032解像度のiPhone 11カメラで、屋内の工業用池から画像を取得する。
このシステムで2つの実験が行われ、最初の1つは成長段階9,10で取得された200枚の画像を含み、iPhone 11カメラは特定の照明条件で撮影された。
第2の実験では、幼虫の工業用池が11日間、iPhone 11とSONY DSCHX90Vカメラの2つのデバイスで撮影された。
最初のデバイス(iphone 11)では、2つの照明条件がテストされた。
各条件で110枚の画像が得られた。
このシステムは88.4%の精度で検出された。
第2のシステムは、2000X2000解像度のDSLR Nikon D510カメラを搭載し、工業用池の外で7つの実験が行われた。
画像は幼虫の成長段階の1日目に取得され、合計700枚の画像が得られた。
このシステムによって、密度50.6%の86%の精度が得られた。
yolov5 cnnモデルに基づき, 幼虫数を自動的にカウントするアルゴリズムを開発した。
また,本研究では幼虫の成長機能についても検討した。
毎日、いくつかの幼虫が工業用池から手動で採取され、顕微鏡で分析された。
成長段階が決定されると、幼虫の画像が得られた。
各幼虫の長さは画像から手動で測定された。
最も適切なモデルは、R 乗法 0.983 の適合指数の良さを持つゴンペルツモデルであった。
関連論文リスト
- FishNet: Deep Neural Networks for Low-Cost Fish Stock Estimation [0.0]
FishNetは、分類分類と魚の大きさ推定の両方を自動化したコンピュータビジョンシステムである。
我々は163種の1.2万魚を含む30万枚の手ラベル画像のデータセットを使用する。
魚の区分け作業では92%、単一魚種分類では89%、魚長推定では2.3cmの平均絶対誤差が達成されている。
論文 参考訳（メタデータ） (2024-03-16T12:44:08Z) - Removing Reflections from RAW Photos [1.0522687248858]
消費者写真用画像から現実世界の反射を除去するシステムについて述べる。
本システムでは,線形(RAW)写真に対して,対向方向のコンテキスト写真の追加(オプション)を行う。
このシステムは、MacBookまたはiPhone 14 Proで1Kから4.5～6.5秒でレビュー用の画像を生成することができる。
論文 参考訳（メタデータ） (2024-02-28T19:07:49Z) - Learned Smartphone ISP on Mobile GPUs with Deep Learning, Mobile AI &
AIM 2022 Challenge: Report [59.831324427712815]
この課題は、効率的なエンドツーエンドのAIベースの画像処理パイプラインを開発することを目的としている。
モデルはSnapdragonの8 Gen 1 GPUで評価され、一般的なディープラーニング運用の大部分で優れた加速結果が得られた。
提案されたソリューションは、最近のすべてのモバイルGPUと互換性があり、フルHD写真を20-50ミリ秒未満で処理でき、高い忠実度を達成できる。
論文 参考訳（メタデータ） (2022-11-07T22:13:10Z) - MAIScope: A low-cost portable microscope with built-in vision AI to
automate microscopic diagnosis of diseases in remote rural settings [0.0]
マラリアは、2020年だけで62万7000人が死亡し、2億2100万人以上が感染したと推定されている。
本稿では,顕微鏡画像の撮影と組込み型AIによるマラリア寄生虫の自動検出が可能な,新しい低コスト携帯型デバイスであるMass-AI-Scope(MAIScope)を提案する。
論文 参考訳（メタデータ） (2022-08-12T04:39:20Z) - AI Based Digital Twin Model for Cattle Caring [7.569666027293164]
この作業は、牛の状態をリモートで監視し追跡する農業用IoTシステム上に構築された。
センサデータを用いて,深層学習(DL)に基づく牛の健康のディジタル双生児モデルを構築した。
行動状態の面では, 局所麻酔とメロキシカムの併用で治療した牛は, 最も痛みの少ない反応を示した。
論文 参考訳（メタデータ） (2022-05-09T04:41:13Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Fish Disease Detection Using Image Based Machine Learning Technique in
Aquaculture [0.971137838903781]
養殖における魚の病気は栄養の安全にとって重大な危険である。
画像の前処理とセグメンテーションはノイズを低減し、画像を誇張するために適用されている。
第二部では、機械学習のサポートベクトルマシン(SVM)アルゴリズムの助けを借りて疾患を分類するための関連する特徴を抽出します。
論文 参考訳（メタデータ） (2021-05-09T13:22:44Z) - One-Shot Learning with Triplet Loss for Vegetation Classification Tasks [45.82374977939355]
三重項損失関数は、ワンショット学習タスクの精度を大幅に向上できる選択肢の1つである。
2015年からは、多くのプロジェクトがシームズネットワークとこの種の損失を顔認識とオブジェクト分類に利用している。
論文 参考訳（メタデータ） (2020-12-14T10:44:22Z) - AIM 2020 Challenge on Learned Image Signal Processing Pipeline [150.55468168329926]
本稿では,第2回AIM学習ISPチャレンジをレビューし,提案したソリューションと結果について解説する。
参加チームは現実世界のRAW-to-RGBマッピング問題を解決し、Huawei P20デバイスが捉えた品質の低いRAW画像を、Canon 5D DSLRカメラで取得したのと同じ写真にマッピングすることを目的としていた。
提案手法はベースライン結果を大幅に改善し,実用的な画像信号処理パイプラインモデリングのための最先端技術を定義した。
論文 参考訳（メタデータ） (2020-11-10T09:25:47Z) - Automatic image-based identification and biomass estimation of
invertebrates [70.08255822611812]
時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。
我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。
分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
論文 参考訳（メタデータ） (2020-02-05T21:38:57Z)
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。