論文の概要: IMASHRIMP: Automatic White Shrimp (Penaeus vannamei) Biometrical Analysis from Laboratory Images Using Computer Vision and Deep Learning
- arxiv url: http://arxiv.org/abs/2507.02519v1
- Date: Thu, 03 Jul 2025 10:32:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-04 15:37:16.175336
- Title: IMASHRIMP: Automatic White Shrimp (Penaeus vannamei) Biometrical Analysis from Laboratory Images Using Computer Vision and Deep Learning
- Title（参考訳）: IMASHRIMP:Penaeus vannamei自動白エビ(Penaeus vannamei) コンピュータビジョンとディープラーニングを用いた実験画像からの生体計測
- Authors: Abiam Remache González, Meriem Chagour, Timon Bijan Rüth, Raúl Trapiella Cañedo, Marina Martínez Soler, Álvaro Lorenzo Felipe, Hyun-Suk Shin, María-Jesús Zamorano Serrano, Ricardo Torres, Juan-Antonio Castillo Parra, Eduardo Reyes Abad, Miguel-Ángel Ferrer Ballester, Juan-Manuel Afonso López, Francisco-Mario Hernández Tejera, Adrian Penate-Sanchez,
- Abstract要約: IMASHRIMPはシロエビ(Penaeus vannamei)の自動形態解析に適応したシステムである
既存のディープラーニングとコンピュータビジョン技術は、RGBD画像からのエビ形態解析の具体的な課題に対処するために修正された。
IMASHRIMPは、修正されたResNet-50アーキテクチャに基づく2つの識別モジュールを組み込んで、画像の視点で分類し、ロストラムの完全性を決定する。
- 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: This paper introduces IMASHRIMP, an adapted system for the automated morphological analysis of white shrimp (Penaeus vannamei}, aimed at optimizing genetic selection tasks in aquaculture. Existing deep learning and computer vision techniques were modified to address the specific challenges of shrimp morphology analysis from RGBD images. IMASHRIMP incorporates two discrimination modules, based on a modified ResNet-50 architecture, to classify images by the point of view and determine rostrum integrity. It is proposed a "two-factor authentication (human and IA)" system, it reduces human error in view classification from 0.97% to 0% and in rostrum detection from 12.46% to 3.64%. Additionally, a pose estimation module was adapted from VitPose to predict 23 key points on the shrimp's skeleton, with separate networks for lateral and dorsal views. A morphological regression module, using a Support Vector Machine (SVM) model, was integrated to convert pixel measurements to centimeter units. Experimental results show that the system effectively reduces human error, achieving a mean average precision (mAP) of 97.94% for pose estimation and a pixel-to-centimeter conversion error of 0.07 (+/- 0.1) cm. IMASHRIMP demonstrates the potential to automate and accelerate shrimp morphological analysis, enhancing the efficiency of genetic selection and contributing to more sustainable aquaculture practices.The code are available at https://github.com/AbiamRemacheGonzalez/ImaShrimp-public
- Abstract（参考訳）: 本稿では,水生栽培における遺伝的選抜タスクの最適化を目的とした,シロエビの自動形態解析システムであるIMASHRIMPを紹介した。
既存のディープラーニングとコンピュータビジョン技術は、RGBD画像からのエビ形態解析の具体的な課題に対処するために修正された。
IMASHRIMPは、修正されたResNet-50アーキテクチャに基づく2つの識別モジュールを組み込んで、画像の視点で分類し、ロストラムの完全性を決定する。
2要素認証(Human and IA)システムを提案しており、視線分類におけるヒューマンエラーを0.97%から0%に減らし、ロストラム検出では12.46%から3.64%に減らしている。
さらに、ポーズ推定モジュールがVitPoseから適応され、エビの骨格の23のキーポイントが予測された。
SVM(Support Vector Machine)モデルを用いた形態的回帰モジュールを,ピクセル計測をセンチメートル単位に変換するために統合した。
実験の結果、ポーズ推定における平均平均精度(mAP)は97.94%、画素からセンチメートルへの変換誤差は0.07(+/-0.1)である。
IMASHRIMPは、エビの形態解析の自動化と高速化、遺伝的選択の効率の向上、より持続可能な養殖の実践への貢献の可能性を示し、https://github.com/AbiamRemacheGonzalez/ImaShrimp-publicで公開されている。
関連論文リスト
- The Phantom of the Elytra -- Phylogenetic Trait Extraction from Images of Rove Beetles Using Deep Learning -- Is the Mask Enough? [1.0742675209112622]
系統解析は伝統的に労働集約的手作業による形態学的特徴の抽出に依存している。
近年のディープラーニングの進歩は、このプロセスを自動化する可能性を秘めている。
3つの異なる形態素表現を用いてディープラーニングモデルの性能を比較する。
論文 参考訳（メタデータ） (2025-02-06T22:41:50Z) - PIGUIQA: A Physical Imaging Guided Perceptual Framework for Underwater Image Quality Assessment [59.9103803198087]
水中画像品質評価(UIQA)のための物理画像ガイド型知覚フレームワークを提案する。
水中放射移動理論を応用して、物理に基づく画像推定を統合して、これらの歪みの定量的な測定値を確立する。
提案モデルは,画像品質のスコアを正確に予測し,最先端の性能を実現する。
論文 参考訳（メタデータ） (2024-12-20T03:31:45Z) - LVS-Net: A Lightweight Vessels Segmentation Network for Retinal Image Analysis [1.347667211255822]
本稿では,網膜血管を分割して疾患検出効率を向上させる軽量エンコーダデコーダモデルを提案する。
エンコーダにマルチスケールの畳み込みブロックを組み込んで、様々な大きさと厚さの容器を正確に識別する。
ダイススコアが86.44%、84.22%、87.88%の既存モデルを上回っている。
論文 参考訳（メタデータ） (2024-12-08T15:21:37Z) - Benchmarking Fish Dataset and Evaluation Metric in Keypoint Detection -- Towards Precise Fish Morphological Assessment in Aquaculture Breeding [6.332060647845203]
6種の魚種にまたがる高解像度画像23,331枚からなる包括的データセット「フィッシュフェノキー」を紹介した。
FishPhenoKeyには22の表現型指向アノテーションが含まれており、複雑な形態的表現型をキャプチャすることができる。
また,新しい評価指標として,測定値のパーセンテージ(percentage of Measured Phenotype)を提案する。
論文 参考訳（メタデータ） (2024-05-21T03:36:13Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Prawn Morphometrics and Weight Estimation from Images using Deep
Learning for Landmark Localization [2.778518997767646]
我々は,黒トラエビ(Penaeus monodon)をモデル甲殻類として,体重推定と形態計測を自動化するための新しい手法を開発した。
形態計測解析では,検出されたランドマークを用いて5つの重要なエビ形質を抽出した。
実験の結果,新しいDL手法は,精度,堅牢性,効率の点で,既存のDL手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-07-15T07:05:06Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。
システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。
2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
論文 参考訳（メタデータ） (2022-11-08T09:54:34Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳（メタデータ） (2021-07-06T14:50:03Z) - Appearance Learning for Image-based Motion Estimation in Tomography [60.980769164955454]
トモグラフィー画像では、取得した信号に擬似逆フォワードモデルを適用することにより、解剖学的構造を再構成する。
患者の動きは、復元過程における幾何学的アライメントを損なうため、運動アーティファクトが生じる。
本研究では,スキャン対象から独立して剛性運動の構造を認識する外観学習手法を提案する。
論文 参考訳（メタデータ） (2020-06-18T09:49:11Z)
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。