ES2853424A1 - Optimization of aquaculture production with a solution based on artificial intelligence for the automatic classification of the gender of fish. (Machine-translation by Google Translate, not legally binding) - Google Patents
Optimization of aquaculture production with a solution based on artificial intelligence for the automatic classification of the gender of fish. (Machine-translation by Google Translate, not legally binding) Download PDFInfo
- Publication number
- ES2853424A1 ES2853424A1 ES202030215A ES202030215A ES2853424A1 ES 2853424 A1 ES2853424 A1 ES 2853424A1 ES 202030215 A ES202030215 A ES 202030215A ES 202030215 A ES202030215 A ES 202030215A ES 2853424 A1 ES2853424 A1 ES 2853424A1
- Authority
- ES
- Spain
- Prior art keywords
- fish
- sexing
- counting
- phase
- selection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 241000251468 Actinopterygii Species 0.000 title claims abstract description 35
- 244000144974 aquaculture Species 0.000 title abstract description 9
- 238000009360 aquaculture Methods 0.000 title abstract description 8
- 238000005457 optimization Methods 0.000 title abstract description 5
- 238000013473 artificial intelligence Methods 0.000 title abstract description 4
- 238000004519 manufacturing process Methods 0.000 title description 8
- 235000019688 fish Nutrition 0.000 claims abstract description 34
- 241000723298 Dicentrarchus labrax Species 0.000 claims abstract description 13
- 241000277275 Oncorhynchus mykiss Species 0.000 claims abstract description 6
- 241000277263 Salmo Species 0.000 claims abstract description 6
- 241000277289 Salmo salar Species 0.000 claims abstract description 5
- 230000002710 gonadal effect Effects 0.000 claims abstract description 5
- 230000004069 differentiation Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 20
- 238000005086 pumping Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 claims description 2
- 238000009434 installation Methods 0.000 claims description 2
- 241000894007 species Species 0.000 abstract description 4
- 210000002149 gonad Anatomy 0.000 description 12
- 238000002604 ultrasonography Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 210000000056 organ Anatomy 0.000 description 5
- 230000001850 reproductive effect Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000002784 stomach Anatomy 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000020509 sex determination Effects 0.000 description 2
- 241000972773 Aulopiformes Species 0.000 description 1
- 241000277331 Salmonidae Species 0.000 description 1
- 241000282887 Suidae Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 239000003242 anti bacterial agent Substances 0.000 description 1
- 229940088710 antibiotic agent Drugs 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 235000019515 salmon Nutrition 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K61/00—Culture of aquatic animals
- A01K61/90—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination
- A01K61/95—Sorting, grading, counting or marking live aquatic animals, e.g. sex determination specially adapted for fish
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Farming Of Fish And Shellfish (AREA)
Abstract
Description
DESCRIPCIÓNDESCRIPTION
Optimización de la producción acuícola con una solución basada en la inteligencia artificial para la clasificación automática del género de los pecesOptimization of aquaculture production with an artificial intelligence-based solution for automatic gender classification of fish
La presente invención hace referencia al campo del sexado de especies marinas. Más en particular, la presente invención hace referencia a un sistema de sexado del Salmón Atlántico (Salmo salar), Trucha Arcoíris (Oncorhynchus mykiss) y Lubina Europea (Dicentrarchus labrax). Aún más en particular, la presente invención hace referencia a un tipo de dispositivo para el sexado del Salmón Atlántico (Salmo salar), Truchas Arcoíris (Oncorhynchus mykiss) y Lubinas Europeas (Dicentrarchus labrax) en edades tempranas a partir de la diferenciación gonadal.The present invention relates to the field of sexing of marine species. More in particular, the present invention relates to a sexing system for Atlantic Salmon (Salmo salar), Rainbow Trout (Oncorhynchus mykiss) and European Sea Bass (Dicentrarchus labrax). Even more particularly, the present invention refers to a type of device for the sexing of Atlantic Salmon (Salmo salar), Rainbow Trout (Oncorhynchus mykiss) and European Sea Bass (Dicentrarchus labrax) at an early age from gonadal differentiation.
La industria europea de acuicultura de peces es una de las más importantes del mundo, con un producción de 2.6 millones de toneladas en 2017. Las principales especies de acuicultura producidas en Europa, en términos de volumen y valor económico, son el Salmón Atlántico (Salmo Salar) con un 54% de mercado y un valor económico de € 8 billones; Trucha Arcoíris Oncorhynchus mykiss) con un 9% de mercado y un valor de € 955 millones; y Lubina Europea (Dicentrarchus labrax) con un 3% del mercado y un valor de € 490 millones.The European fish aquaculture industry is one of the most important in the world, with a production of 2.6 million tonnes in 2017. The main aquaculture species produced in Europe, in terms of volume and economic value, are Atlantic Salmon (Salmo Salar) with a 54% market share and an economic value of € 8 billion; Rainbow Trout Oncorhynchus mykiss) with a 9% market share and a value of € 955 million; and European Sea Bass (Dicentrarchus labrax) with 3% of the market and a value of € 490 million.
Sin embargo, en Europa la industria de la acuicultura se encuentra en una situación delicada ya que su competividad se encuentra comprometida. En los últimos años, la producción europea solo se incrementó en un 16,7 % mientras que en el resto del mundo la producción se incrementó en un 35,7%. Un crecimiento especialmente bajo en comparación con el experimentado por los 3 principales productores acuícolas (China, India e Indonesia) que aumentaron su productividad en un 34%, 50% y 114% respectivamente.However, in Europe the aquaculture industry is in a delicate situation as its competitiveness is compromised. In recent years, European production only increased by 16.7% while in the rest of the world production increased by 35.7%. Especially low growth compared to that experienced by the 3 main aquaculture producers (China, India and Indonesia) which increased their productivity by 34%, 50% and 114% respectively.
Todo ello es debido a que los costos de producción del salmón, trucha y lubina han aumentado en un 46%, 51% y 19% respectivamente desde 2010. En este sentido, los costos de producción dependen principalmente del alimento para peces y el costo de la compra de los juveniles. Dado que el alimento para peces es el principal costo de producción, su optimización es clave para aumentar la competitividad de la acuicultura en Europa. Para optimizar estos recursos, los productores deben clasificar los peces por género, ya que esta separación durante el ciclo de crecimiento permite una mejor optimización de la alimentación de los peces, como consecuencia ambos sexos aumentarán su tamaño y se reducirá el uso de antibióticos.All this is due to the fact that the production costs of salmon, trout and sea bass have increased by 46%, 51% and 19% respectively since 2010. In this sense, production costs depend mainly on fish feed and the cost of the purchase of juveniles. Since fish feed is the main cost of production, its optimization is key to increasing the competitiveness of aquaculture in Europe. To optimize these resources, producers must classify fish by gender, since this separation during the growth cycle allows a better optimization of fish feeding, as a consequence both sexes will increase their size and the use of antibiotics will be reduced.
Actualmente, existen varios métodos y herramientas en el mercado mundial que permiten determinar el sexo de los peces en fases tempranas de la madurez. Sin embargo, estas alternativas no satisfacen la necesidad detectada. Ya que, el principal modo de diferenciar el género de los peces, es mediante el estudio de sus gónadas, que puede realizarse mediante: tecnologías invasivas y/o tecnologías no invasivas.Currently, there are several methods and tools on the world market that allow determining the sex of fish in the early stages of maturity. However, these alternatives do not satisfy the need detected. Since, the main way to differentiate the gender of fish is through the study of their gonads, which can be done through: invasive technologies and / or non-invasive technologies.
Las tecnologías clasificadas como tecnologías invasivas para determinación del sexo son las que utilizan métodos de biología, genética, métodos endoscópicos, etc. Estas técnicas generalmente proporcionan información precisa pero presentan dos principales desventajas: son métodos lentos, involucran mucho tiempo, implican el sacrificio de la toma, preparación y análisis de numerosas muestras, y se trata de procedimientos invasivos que pueden dañar el individuo.The technologies classified as invasive technologies for sex determination are those that use methods of biology, genetics, endoscopic methods, etc. These techniques generally provide accurate information but have two main disadvantages: they are slow, time-consuming, involve sacrificing the collection, preparation and analysis of numerous samples, and they are invasive procedures that can harm the individual.
Más recientemente, se han desarrollado métodos automáticos y no invasivos para el sexado de los peces. Algunas de las tecnologías que existen actualmente para este fin son: rayos X, ultrasonografía y ecografía. Estos métodos generalmente presentan deficiencias técnico-económicas ya que requieren de una gran inversión, son lentos y la obtención de los resultados presentan altos porcentajes de error por lo que no resuelven la problemática de manera global.More recently, automatic and non-invasive methods have been developed for sexing fish. Some of the technologies that currently exist for this purpose are: X-rays, ultrasonography and ultrasound. These methods generally present technical-economic deficiencies since they require a large investment, are slow and the obtaining of the results present high percentages of error so they do not solve the problem in a global way.
Por lo tanto, analizada la problemática es un objetivo de la presente invención dar a conocer un sistema de diferenciación gonadal que no presente los inconvenientes citados para la determinación sexual (macho o hembra) y seguimiento reproductivo de los peces basado en una algoritmia matemática de tratamiento de imagen avanzado que proporcione altas prestaciones técnicas.Therefore, once the problem has been analyzed, it is an objective of the present invention to present a gonadal differentiation system that does not present the aforementioned drawbacks for sex determination (male or female) and reproductive monitoring of fish based on a mathematical treatment algorithm advanced imaging system that provides high technical performance.
SISTEMA DE SEXADO Y CONTEOSEXING AND COUNTING SYSTEM
En un primer aspecto, la presenté invención da a conocer un dispositivo para la clasificación automática y precisa de las especies en las granjas acuícolas, según definición del sexo a edades tempranas (antes de ser llevadas al mar) que comprende:In a first aspect, the present invention discloses a device for the automatic and precise classification of species in aquaculture farms, according to the definition of sex at an early age (before being taken to the sea) that comprises:
- al menos 1 dispositivo ultrasónico.- at least 1 ultrasonic device.
- al menos 2 sensores de conteo.- at least 2 counting sensors.
- al menos 1 ordenador de placa única (Single Board Computer, SBC, por sus siglas en inglés). - al menos 1 router con capacidad de comunicación por cable (ETHERNET).- at least 1 single board computer (SBC). - at least 1 router with cable communication capability (ETHERNET).
El dispositivo ultrasónico es el componente de la presente invención que permite obtener las imágenes ultrasónicas de las gónadas de los peces. Para ello, se emplea la emisión de ondas de alta frecuencia que al chocar contra los tejidos recibe ecos los cuales son procesados y transformados electrónicamente en una imagen que reproduce el área o los órganos en estudio. Preferentemente, el dispositivo ultrasónico trabajará en un rango de frecuencia entre 8-12 MHz y una tasa de refresco de 200 cuadros por segundo (fps), lo que permitirá que la onda ultrasónica viaje a través del agua (por lo tanto, no se requiere contacto entre el dispositivo y el pez), proporcionando múltiples imágenes (40 60) para reducir la cantidad de falsos positivos.The ultrasonic device is the component of the present invention that makes it possible to obtain the ultrasonic images of the gonads of the fish. To do this, the emission of high-frequency waves is used which, when hitting the tissues, receives echoes which are electronically processed and transformed into an image that reproduces the area or organs under study. Preferably, the ultrasonic device will work in a frequency range between 8-12 MHz and a refresh rate of 200 frames per second (fps), which will allow the ultrasonic wave to travel through the water (therefore no contact is required between the device and the fish), providing multiple images (40 60) to reduce the amount of false positive.
Los sensores de conteo son los compontes de la presente invención que se encargarán de realizar el conteo de peces de cada sexo. Para ello, se emplearán sensores de infrarrojo (IR) los cuales son dispositivos optoelectrónicos capaces de medir la radiación electromagnética infrarroja de los cuerpos en su campo de visión.The counting sensors are the components of the present invention that will be in charge of counting the fish of each sex. For this, infrared (IR) sensors will be used, which are optoelectronic devices capable of measuring infrared electromagnetic radiation from bodies in their field of vision.
El ordenador de placa única es el componente de la presente invención que actuará a modo de interfaz directa entre el hardware del dispositivo y el software de alto nivel desarrollado, conteniendo toda la lógica de control del sistema GENCIS.The single board computer is the component of the present invention that will act as a direct interface between the hardware of the device and the high-level software developed, containing all the control logic of the GENCIS system.
El router con conexión ethernet, permite la comunicación con el servidor para enviar todas las imágenes registradas por el dispositivo ultrasónico.The router with an ethernet connection allows communication with the server to send all the images registered by the ultrasonic device.
Para procesar la información registrada, la presente invención propone los siguientes modelos matemáticos o algoritmos para ser aplicados al sistema final de sexado y conteo de los peces:To process the recorded information, the present invention proposes the following mathematical models or algorithms to be applied to the final sexing and counting system of the fish:
1) ALGORITMIA DE SEGMENTACIÓN DE LA IMAGEN1) IMAGE SEGMENTATION ALGORITHMY
Las imágenes tomadas son obtenidas de manera bruta, es decir, se obtiene una representación gráfica en escala de grises. Estas imágenes generadas presentan interferencias (ruidos) y ciertas anomalías que pueden entorpecer el posterior trabajo del clasificador. Es por esto que, la presente invención presenta una serie de técnicas de pre-procesado encargadas de mejorar la calidad de la imagen y resaltar únicamente aquellos objetos que se desea identificar sobre otros cuerpos que aparecen en la imagen, pero no se corresponden con objetos de interés (a estos últimos se les conoce como artefactos). Por tanto, en la presente invención se aplica un primer filtrado conocido como proceso de binarizado cuyo resultado es una imagen en blanco y negro en lugar de una imagen en escala de grises. Así, se establece un patrón lógico con el objetivo de reducir la escala de grises de la imagen bruta a dos únicos colores en los cuales las zonas blancas signifiquen zonas potenciales para el estudio y las zonas negras queden automáticamente descartadas por ser potenciales artefactos.The images taken are obtained raw, that is, a graphical representation is obtained in grayscale. These generated images present interferences (noises) and certain anomalies that can hinder the subsequent work of the classifier. For this reason, the present invention presents a series of pre-processing techniques in charge of improving the quality of the image and highlighting only those objects that it is desired to identify on other bodies that appear in the image, but do not correspond to objects of interest (the latter are known as artifacts). Therefore, in the present invention a first filtering known as the binarization process is applied which results in a black and white image instead of a grayscale image. Thus, a logical pattern is established with the objective of reducing the gray scale of the raw image to only two colors in which the white areas represent potential areas for study and the black areas are automatically discarded as potential artifacts.
Para llevar a cabo dicha reducción, se debe establecer inicialmente un umbral mínimo del vector de lecturas. Este proceso no está apoyado en umbrales preestablecidos, sino que se obtiene a través de continuas iteraciones prueba-error. Para ello, se parte de un valor aleatorio correspondiente a la escala de grises del vector de lecturas (por ejemplo, 120) y se transforman todos aquellos que queden por encima del umbral al color blanco y todos aquellos que queden por debajo del umbral al color negro. To accomplish such reduction, a minimum threshold of the vector of readings must be initially set. This process is not supported by pre-established thresholds, but is obtained through continuous trial-and-error iterations. To do this, we start from a random value corresponding to the scale of gray of the vector of readings (for example, 120) and all those that are above the threshold are transformed to the white color and all those that are below the threshold to the color black.
Así pues, una vez se realiza la ecografía, se puede observar que esta contiene ciertos datos que no son de interés para el estudio del sexo del pez. Por lo tanto, inicialmente se debe proceder a eliminar estas zonas centrando el tratamiento en la anatomía del pez, en aquellas zonas de potencial interés (zona abdominal del pez) de forma que se pueda realizar un recorte de la imagen lo más pequeño posible alrededor de la zona que contiene los objetos a detectar (en este caso las gónadas). Dicho en otras palabras, se trata de aplicar un segundo filtrado conocido como segmentación con el objetivo de reducir los falsos positivos durante el posterior procesamiento del clasificador y minimizar el costo computacional del tratamiento de datos.Thus, once the ultrasound is performed, it can be observed that it contains certain data that are not of interest for the study of the sex of the fish. Therefore, initially these areas should be eliminated, focusing the treatment on the fish's anatomy, in those areas of potential interest (abdominal area of the fish) so that a cut of the image can be made as small as possible around the the area that contains the objects to be detected (in this case the gonads). In other words, it is about applying a second filtering known as segmentation with the aim of reducing false positives during the subsequent processing of the classifier and minimizing the computational cost of data processing.
Para llevar a cabo este proceso de segmentación, se utilizan técnicas basadas en algoritmos morfológicos. El motivo de esta elección es doble: presentan una buena capacidad de adaptarse según la imagen de entrada y además permiten realizar un filtrado por grid (ventana con una celda de la imagen segmentada) que mejora la precisión del sistema global. Para ello, se parte de la imagen bruta binarizada y se desarrolla una nueva algoritmia que consiste en la repetición de una serie de ciclos erosión-dilatación a las ecografías obtenidas, de forma que se consiga una simplificación de las imágenes conservando las principales características de forma de los objetos.To carry out this segmentation process, techniques based on morphological algorithms are used. The reason for this choice is twofold: they have a good ability to adapt according to the input image and also allow filtering by grid (window with a segmented image cell) that improves the precision of the overall system. To do this, we start from the binarized raw image and develop a new algorithm that consists of repeating a series of erosion-dilation cycles to the ultrasound scans obtained, so as to achieve a simplification of the images while preserving the main shape characteristics. of the objects.
En esta línea, la erosión es un proceso matemático que trata de reducir la imagen original (a la que llamaremos A) a partir de un elemento estructural (al que llamaremos B) de acuerdo con la siguiente ecuación, donde el símbolo Q representa que cada elemento de A es también elemento de B:In this line, erosion is a mathematical process that tries to reduce the original image (which we will call A) from a structural element (which we will call B) according to the following equation, where the symbol Q represents that each Element of A is also element of B:
A 0 B = {x / Bx Q A}A 0 B = {x / Bx Q A}
Por su parte, el proceso de dilatación también se define a partir de una imagen A y un elemento estructural B (ambos imágenes binarias con fondo blanco) de acuerdo con la siguiente ecuación, donde la intersección (n) solamente representa los píxeles negros y 0 es el conjunto vacío:For its part, the dilation process is also defined from an image A and a structural element B (both binary images with a white background) according to the following equation, where the intersection (n) only represents the black pixels and 0 is the empty set:
A © B = {x | (BB) x n A * 0}A © B = {x | ( BB) xn A * 0}
2) ALGORITMIA DE ANÁLISIS DE LAS GÓNADAS DEL PEZ2) ALGORITHMY OF ANALYSIS OF THE GONADES OF THE FISH
Con la finalización de los trabajos vinculados a la primera fase de procesamiento, se está en disposición de una imagen binarizada y segmentada de las zonas potencialmente susceptibles de albergar el estómago y las gónadas del pez. De esta forma se ha conseguido reducir el tamaño de la imagen a procesar y eliminar gran cantidad de artefactos que dificultarían la clasificación por sexo del pez, pero esta imagen todavía es demasiado grande como para analizar la existencia de órganos reproductores. Por este mismo motivo, se requiere aplicar un proceso basado en histogramas de Gradientes Orientados en las proximidades de las paredes del estómago hasta localizar los órganos reproductores del pescado.With the completion of the work related to the first phase of processing, a binarized and segmented image of the areas potentially capable of housing the stomach and gonads of the fish is available. In this way, it has been possible to reduce the size of the image to be processed and eliminate a large number of artifacts that would make it difficult to classify the fish by sex, but this image is still too large to analyze the existence of reproductive organs. For this same reason, it is required to apply a process based on Oriented Gradients histograms in the vicinity of the stomach walls to locate the reproductive organs of the fish.
Los Histogramas de Gradientes Orientados (HOG) se basan en la idea que los objetos (como pudieran ser las gónadas del ejemplar) pueden ser caracterizados mediante su apariencia. Para ello, los HOG obtienen la orientación del gradiente de cada píxel, generando de este modo la distribución espacial del objeto.Histograms of Oriented Gradients (HOG) are based on the idea that objects (such as the gonads of the specimen) can be characterized by their appearance. To do this, the HOGs obtain the orientation of the gradient of each pixel, thus generating the spatial distribution of the object.
A grandes rasgos, la idea principal es implementar un sistema que divida la imagen en pequeñas regiones (conocidas como celdas) y obtenga para cada una de ellas un histograma a partir de la orientación de los gradientes de los píxeles que la forman. Además, para una mejor respuesta, se debe normalizar el contraste en unas zonas más grandes (denominadas bloques) y utilizar dicho resultado para normalizar las celdas del bloque. De esta forma, la combinación de los histogramas generados para cada una de las celdas proporciona la representación de la imagen en el espacio.Broadly speaking, the main idea is to implement a system that divides the image into small regions (known as cells) and obtains a histogram for each one from the orientation of the gradients of the pixels that form it. Also, for a better response, you should normalize the contrast in larger areas (called blocks) and use this result to normalize the cells of the block. In this way, the combination of the histograms generated for each of the cells provides the representation of the image in space.
Para la determinación del tamaño de una celda es necesario escoger dos parámetros:To determine the size of a cell, it is necessary to choose two parameters:
• Cx que representa el número de píxeles de la celda en el eje x.• Cx that represents the number of pixels in the cell on the x-axis.
• Cy, que representa el número de píxeles de la celda en el eje y.• Cy, which represents the number of pixels in the cell on the y axis.
De este modo, el número total de píxeles dentro de una celda viene determinado por la siguiente ecuación:Thus, the total number of pixels within a cell is determined by the following equation:
CC=CCxx x CCyy CC = CCxx x CCyy
Por último, la imagen es devuelta por un clasificador bayesiano que la subdivide en n imágenes cuadradas solapadas de L píxeles de lado. Si la imagen tiene unas dimensiones de 255 x 196 píxeles, el número de recortes resultantes será: n = (255-L) x (196-L).Finally, the image is returned by a Bayesian classifier that subdivides it into n overlapping square images of L pixels on each side. If the image has dimensions of 255 x 196 pixels, the resulting number of clipping will be: n = (255-L) x (196-L).
El input de la función del clasificador bayesiano es la imagen ecográfica que genera directamente el ecógrafo (pues aquí se hace todo el pre-procesado para cada imagen), mientras que el output es doble: por un lado una imagen donde se señala el estómago en color verde y su centro con un puntero rojo y por otro lado el área de búsqueda de las gónadas. The input of the Bayesian classifier function is the ultrasound image directly generated by the ultrasound scanner (since here all the pre-processing is done for each image), while the output is double: on the one hand, an image where the stomach is indicated in green color and its center with a red pointer and on the other hand the search area of the gonads.
Para la determinación final del sexo del pez se parte de una premisa clave: en caso de localizar órganos reproductivos dentro de las gónadas, dada la temprana edad del espécimen, se tratará de órganos reproductivos femeninos (pues los masculinos tardan más tiempo en desarrollarse).For the final determination of the sex of the fish, a key premise is started: in case of locating reproductive organs within the gonads, given the young age of the specimen, it will be female reproductive organs (since the male ones take longer to develop).
Si el clasificador bayesiano detecta que existen gónadas en al menos 4 de las subdivisiones se considerará un resultado positivo. Esto se realiza para evitar falsos positivos en alguna subdivisión ocasional por alguna estructura similar a las mismas.If the Bayesian classifier detects that there are gonads in at least 4 of the subdivisions, it will be considered a positive result. This is done to avoid false positives in the occasional subdivision due to a structure similar to them.
3) DISEÑO Y DESARROLLO DE UNA RED NEURONAL QUE PERMITA DETERMINAR EL SEXO DE LAS LUBINAS.3) DESIGN AND DEVELOPMENT OF A NEURONAL NETWORK THAT ALLOWS TO DETERMINE THE SEX OF SEA BASS.
En el caso de ciertas especies, no basta con la identificación de las gónadas, sino que se deberá determinar la forma concreta de las mismas. Para ello, con la imagen procesada en la fase 2, se entrena una red neuronal basada en técnicas de Inteligencia Artificial que aprenda cuál es la forma de las gónadas y pueda identificar así el género del espécimen. De esta manera, la red trabajara con un input que será la imagen de las gónadas y un output que señalará el género (macho o hembra).In the case of certain species, it is not enough to identify the gonads, but rather the specific shape of the gonads must be determined. To do this, with the image processed in phase 2, a neural network based on Artificial Intelligence techniques is trained to learn what the shape of the gonads is and thus be able to identify the gender of the specimen. In this way, the network will work with an input that will be the image of the gonads and an output that will indicate the gender (male or female).
El entrenamiento de la misma se realizará mediante el uso de una base de datos de imágenes ultrasónicas de las cuales ya se conoce el género, reconociendo así la forma gonadal.The training of the same will be carried out through the use of a database of ultrasonic images of which the gender is already known, thus recognizing the gonadal shape.
Para su mejor comprensión se adjunta, a títu lo de ejemplo explicativo pero no limitativo, una figura de formas de realización de la red neuronal de la presente invención (Fig.1). En la misma se señala con un "1" la fase correspondiente al input de entrada y con un "2" la fase correspondiente al output de salida.For your better understanding, a figure of embodiments of the neural network of the present invention is attached, as an explanatory but not limiting example (Fig. 1). It indicates with a "1" the phase corresponding to the input input and with a "2" the phase corresponding to the output output.
INSTALACIÓN Y FUNCIONAMIENTOINSTALLATION AND OPERATION
Para llevar a cabo el proceso GENCIS incorpora una estructura diseñada exprofeso la cual se divide en tres fases: Fase de bombeo, Fase de ordenación y selección y Fase de sexado, conteo y clasificación. To carry out the process, GENCIS incorporates an expressly designed structure which is divided into three phases: pumping phase, sorting and selection phase, and sexing, counting and classification phase.
Es evidente para un experto en la materia que la estructura de la presente invención comprenderá forzosamente una Fase de sexado, conteo y clasificación, y podrá incluir o no en función de las instalaciones de una Fase de bombeo y una Fase ordenación y selección.It is evident for a person skilled in the art that the structure of the present invention will necessarily comprise a Sexing, Counting and Classification Phase, and may or may not include, depending on the facilities, a Pumping Phase and a Sorting and Selection Phase.
Para su mejor comprensión se adjunta, a títu lo de ejemplo explicativo pero no limitativo, una figura de formas de realización de la presente invención (Fig.2). En la misma se señala con una "A" el tramo de la estructura correspondiente a la Fase de bombeo, con una "B" el tramo de la estructura que se corresponde con la Fase de ordenación y selección y con una "C" el tramo de la estructura asociado a la Fase de sexado, conteo y clasificación. For your better understanding, a figure of embodiments of the present invention is attached, as an explanatory but not limiting example (Fig. 2). In it the section of the structure corresponding to the pumping phase is indicated with an "A", with a "B" the section of the structure that corresponds to the ordering and selection phase and with a "C" the section of the structure associated with the phase of sexing, counting and classification.
> Fase de bombeo (A). Esta fase engloba los elementos necesarios para bombear a los peces en fase de smolt desde los estanques/piscinas donde se encuentren hasta la llegada a la tolva de entrada del sistema GENCIS, y se compone de los siguiente elementos: > Pumping phase (A). This phase includes the elements necessary to pump the fish in the smolt phase from the ponds / pools where they are until they reach the entrance hopper of the GENCIS system, and is composed of the following elements:
- Al menos 1 conducto de extracción flexible.- At least 1 flexible extraction duct.
- Al menos 1 bomba extractora.- At least 1 extractor pump.
- Al menos 1 conducto hacia tolva de entrada.- At least 1 duct to the inlet hopper.
> Fase de ordenación y selección (B). Una vez los peces han sido bombeados desde los estanques hasta el sistema, pasarán por una tolva de entrada donde se redireccionarán hacia los canales de selección, cuyo fin es el de posicionar consecutivamente los peces smolt para la posterior fase de sexado. Así, se definen los siguientes componentes: > Sorting and selection phase (B). Once the fish have been pumped from the ponds to the system, they will pass through an inlet hopper where they will be redirected to the selection channels, the purpose of which is to consecutively position the smolt fish for the subsequent sexing phase. Thus, the following components are defined:
- Al menos 1 tolva de entrada.- At least 1 inlet hopper.
- Al menos 1 rampa de agua.- At least 1 water ramp.
- Al menos 1 canal de selección.- At least 1 selection channel.
- Al menos 1 canal de enjuague.- At least 1 rinsing channel.
- Al menos 1 sistema para el ajuste de los canales de selección.- At least 1 system for adjusting the selection channels.
- Al menos 1 motorreductor.- At least 1 gearmotor.
> Fase de sexado, conteo y clasificación (C). Una vez los peces smolt han sido dispuestos en fila mediante el canal o los canales de selección existentes, proseguirán a través de un conducto hacia las unidades de sexado y conteo, donde de forma automática se determina el sexo del pez en un corto lapso temporal (<8s), para ser posteriormente dirigidos hacia un caño u otro en función del resultado obtenido (macho o hembra). Para lograr tal propósito, se definen los siguientes componentes: > Sexing, counting and classification phase (C). Once the smolt fish have been arranged in a row through the existing selection channel or channels, they will proceed through a conduit to the sexing and counting units, where the sex of the fish is automatically determined in a short period of time ( <8s), to be later directed towards one pipe or another depending on the result obtained (male or female). To achieve this purpose, the following components are defined:
- Al menos 1 conducto (codos y uniones) para la línea de recepción peces.- At least 1 conduit (elbows and joints) for the fish receiving line.
- Al menos 1 unidad de sexado y conteo- At least 1 unit of sexing and counting
- Al menos 1 electroválvula.- At least 1 solenoid valve.
- Al menos 2 tuberías de salida y bombas extractoras.- At least 2 outlet pipes and extractor pumps.
Para su mejor comprensión se adjunta, a títu lo de ejemplo explicativo pero no limitativo, una figura de formas de la realización de la Fase de sexado, conteo y clasificación (Fig.3). En la misma se señala con un "3" el conducto para la línea de recepción de peces, con un "4" se señala la unidad de sexado y conteo, con un "5" se indica la electroválvula y con un 6 las tuberías de salida.For your better understanding, a figure of forms of the performance of the sexing, counting and classification phase is attached, as an explanatory but not limiting example (Fig. 3). In it it is indicated with A "3" indicates the conduit for the fish reception line, a "4" indicates the sexing and counting unit, a "5" indicates the solenoid valve and a 6 indicates the outlet pipes.
Si bien la invención se ha presentado y descrito con referencia a una realización de la misma, se comprenderá que esta no es limitativa de la invención, por lo que podrán darse variables múltiples, detalles constructivos u otros que podrán considerarse evidentes para los técnicos del sector después de interpretar la materia que se da a conocer en la presente descripción, reivindicaciones y dibujos. Así pues, todas las variantes y equivalentes quedarán incluidos dentro del alcance de la presente invención si se pueden considerar comprendidas dentro del ámbito más extenso de las siguientes reivindicaciones. Although the invention has been presented and described with reference to one embodiment thereof, it will be understood that this is not limiting of the invention, so that multiple variables, construction details or others may be given that may be considered obvious to the technicians of the sector. after interpreting the subject matter disclosed in the present description, claims and drawings. Thus, all variants and equivalents will be included within the scope of the present invention if they can be considered to be within the broader scope of the following claims.
Claims (13)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202030215A ES2853424A1 (en) | 2020-03-13 | 2020-03-13 | Optimization of aquaculture production with a solution based on artificial intelligence for the automatic classification of the gender of fish. (Machine-translation by Google Translate, not legally binding) |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| ES202030215A ES2853424A1 (en) | 2020-03-13 | 2020-03-13 | Optimization of aquaculture production with a solution based on artificial intelligence for the automatic classification of the gender of fish. (Machine-translation by Google Translate, not legally binding) |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2853424A1 true ES2853424A1 (en) | 2021-09-15 |
Family
ID=77663490
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES202030215A Withdrawn ES2853424A1 (en) | 2020-03-13 | 2020-03-13 | Optimization of aquaculture production with a solution based on artificial intelligence for the automatic classification of the gender of fish. (Machine-translation by Google Translate, not legally binding) |
Country Status (1)
| Country | Link |
|---|---|
| ES (1) | ES2853424A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019035346A1 (en) * | 2017-08-16 | 2019-02-21 | 古野電気株式会社 | Fish counting device, fish counting system, and fish counting method |
| KR101978288B1 (en) * | 2018-11-13 | 2019-05-14 | 주식회사 글로비트 | Sonar apparatus installed in a floating fish cage |
| JP2019135986A (en) * | 2018-02-13 | 2019-08-22 | 株式会社Ａｉハヤブサ | Fish product identification system, management system and logistics system by artificial intelligence |
| WO2020002997A2 (en) * | 2018-06-27 | 2020-01-02 | Radmantis Llc | Animal sensing system |
-
2020
- 2020-03-13 ES ES202030215A patent/ES2853424A1/en not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019035346A1 (en) * | 2017-08-16 | 2019-02-21 | 古野電気株式会社 | Fish counting device, fish counting system, and fish counting method |
| JP2019135986A (en) * | 2018-02-13 | 2019-08-22 | 株式会社Ａｉハヤブサ | Fish product identification system, management system and logistics system by artificial intelligence |
| WO2020002997A2 (en) * | 2018-06-27 | 2020-01-02 | Radmantis Llc | Animal sensing system |
| KR101978288B1 (en) * | 2018-11-13 | 2019-05-14 | 주식회사 글로비트 | Sonar apparatus installed in a floating fish cage |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Nonintrusive methods for biomass estimation in aquaculture with emphasis on fish: a review | |
| Fernandes et al. | Deep Learning image segmentation for extraction of fish body measurements and prediction of body weight and carcass traits in Nile tilapia | |
| Saberioon et al. | Automated within tank fish mass estimation using infrared reflection system | |
| Zion et al. | Real-time underwater sorting of edible fish species | |
| John et al. | Multilevel thresholding based segmentation and feature extraction for pulmonary nodule detection | |
| CN108921019B (en) | Gait recognition method based on GEI and TripletLoss-DenseNet | |
| US20090123049A1 (en) | Nodule Detection | |
| EP1735750A2 (en) | Method and apparatus for processing images in a bowel subtraction system | |
| Al-Jubouri et al. | An automated vision system for measurement of zebrafish length using low-cost orthogonal web cameras | |
| CN111462115B (en) | Medical image display method and device and computer equipment | |
| Gong et al. | Pixel level segmentation of early-stage in-bag rice root for its architecture analysis | |
| CN106651875A (en) | Multimode MRI longitudinal data-based brain tumor space-time coordinative segmentation method | |
| Kamra et al. | Performance comparison of image segmentation techniques for lung nodule detection in CT images | |
| Muñoz-Benavent et al. | Impact evaluation of deep learning on image segmentation for automatic bluefin tuna sizing | |
| Wen et al. | Pulmonary nodule detection based on convolutional block attention module | |
| Malík et al. | Instance segmentation model created from three semantic segmentations of mask, boundary and centroid pixels verified on GlaS dataset | |
| ES2853424A1 (en) | Optimization of aquaculture production with a solution based on artificial intelligence for the automatic classification of the gender of fish. (Machine-translation by Google Translate, not legally binding) | |
| CN108133184B (en) | Fish identification and vaccine injection method based on fractal theory and BP algorithm | |
| Akram et al. | Aquaculture defects recognition via multi-scale semantic segmentation | |
| CN109816657A (en) | A kind of brain tumor medical image cutting method based on deep learning | |
| CN113012144A (en) | Automatic delineation method and system for lung tumor, computing device and storage medium | |
| Liu et al. | Identification of soft shell shrimp based on deep learning | |
| CN113642847B (en) | Method and device for estimating prawn quality | |
| Ray et al. | Rethinking imagenet pre-training for computational histopathology | |
| Zhao et al. | Image-based recognition of individual trouts in the wild |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| BA2A | Patent application published |
Ref document number: 2853424 Country of ref document: ES Kind code of ref document: A1 Effective date: 20210915 |
|
| FA2A | Application withdrawn |
Effective date: 20220111 |