GR1010400B - Μεθοδος και συστημα μη επεμβατικης μετρησης μεγεθους ψαριων ιχθυοκαλλιεργειας - Google Patents

Abstract

Σύστημα και μέθοδος, που υλοποιείται με τη βοήθεια λογισμικού, που εκτιμά το μήκος και το βάρος μεμονωμένων ψαριών από ένα σύνολο ψαριών σε πραγματικές βιομηχανικές συνθήκες εκτροφής είτε σε δεξαμενές είτε σε ιχθυοκλωβούς. Στερεοσκοπική κάμερα, καταγράφει βαθμονομημένες εικόνες από το χώρο εκτροφής στο λογισμικό. Εκπαιδευμένο νευρωνικό δίκτυο αναλύει τις εικόνες, εντοπίζοντας σημεία ενδιαφέροντος επάνω σε κάθε επιμέρους ψάρι, εξάγονται συντεταγμένες των σημείων. Το σύστημα εκτιμά το μήκος, μεταξύ άλλων μορφομετρικών χαρακτήρων του εκάστοτε ψαριού. Συσχετίζοντας τους μορφομετρικούς χαρακτήρες και με τη χρήση αλγεβρικού μετασχηματισμού εκτιμάται το βάρος του κάθε ψαριού.

Description

ΠΕΡΙΓΡΑΦΗ

ΜΕΘΟΔΟΣ ΚΑΙ ΣΥΣΤΗΜΑ ΜΗ ΕΠΕΜΒΑΤΙΚΗΣ ΜΕΤΡΗΣΗΣ ΜΕΓΕΘΟΥΣ ΨΑΡΙΩΝ ΙΧΘΥΟΚΑΛΛΙΕΡΓΕΙΑΣ

Η παρούσα εφεύρεση ανήκει στο πεδίο της ανάλυσης εικόνας με χρήση αλγορίθμων μηχανικής όρασης με χρήση στερεοσκοπίας καί νευρωνίκών δικτύων, τα οποία αποτελούν τυπικές εφαρμογές τεχνητής νοημοσύνης

Το προς επίλυση τεχνικό πρόβλημα είναι η εκτίμηση του μεγέθους των ψαριών σε συνθήκες υδατοκαλλιέργειας. Κατά την διαδικασία εκτροφής καί παραγωγής ψαριών, είτε σε δεξαμενές είτε σε ίχθυοκλωβούς έως καί το εμπορεύσίμο μέγεθος, είναι αναγκαία η εκτίμηση του μεγέθους τους, δηλαδή η εκτίμηση του μήκους καί του βάρους τους, σε όλη τη διάρκεια της παραγωγικής διαδικασίας.

Η εκτίμηση του μεγέθους των ψαριών σήμερα στη βιομηχανία υδατοκαλλιέργειας γίνεται μετά από δειγματοληψία, ενός σημαντικού αριθμού ψαριών, που πραγματοποιείται από το προσωπικό της εκάστοτε εταιρίας. Η διαδικασία είναι χρονοβόρα καί στρεσογόνα για τα ψάρια, καί πολλές φορές μπορεί να επιφέρει τον θάνατο τους.

Ο τρόπος εκτίμησης του μεγέθους, δηλαδή του μήκους καί του βάρους, των ψαριών γίνεται σήμερα με δειγματοληψία από το προσωπικό όπου ένας αριθμός ψαριών απομακρύνεται από το χώρο (δεξαμενή ή/καί κλωβό) εκτροφής καί στη συνέχεια μετριέται το μέγεθος των ψαριών. Ο τρόπος που θα συλλεχθούν τα ψάρια ώστε να αποτελούν ένα αντιπροσωπευτικό δείγμα είναι πολύπλοκος ιδιαίτερα όταν η εκτροφή γίνεται σε ίχθυοκλωβούς. Η πολυπλοκότητα οφείλεται στον τρόπο δειγματοληψίας τους μίας καί θα πρέπει να επιλεγεί ένα αντιπροσωπευτικό δείγμα ψαριών από ένα σύνολο αρκετών δεκάδων χιλιάδων που βρίσκονται είτε σε μεγάλες δεξαμενές είτε σε κλουβιά όγκου αρκετών χιλιάδων κυβικών μέτρων. Μετά τη συλλογή τους, τα ψάρια αναίσθητοποίούνταί, λαμβάνονταί οί ζητούμενες μετρήσεις που αντικατοπτρίζουν την πορεία της ανάπτυξης τους (π.χ. βάρος, κ.λπ.) καί τέλος επανατοποθετούνταί στα κλουβιά. Ο αριθμός των ψαριών που μετριούνται είναι στατιστικά σημαντικός σε σχέση με το σύνολο των εκτρεφόμενων φαριών. Μία αναλυτική περιγραφή της μεθοδολογίας που εφαρμόζεται σήμερα καί των δυσκολιών που υπάρχουν, γίνεται από τους Ο. Stavrakidis-Zachou, Μ. Asderis, Ρ. Anastasiadis, V. Chalkiadakis, D. Voskakis, G. Senneset, N. Papandroulakis, 2018. Sampling in cages, (https://aquaexcel2020.eu/sites/default/files/inlinefiles/D6.3%20Sampling%20in%20cages.pdf)

Εκτός από την παραπάνω διαδικασία υπάρχουν τελευταία προσπάθειες για την πραγματοποίηση μετρήσεων χρησιμοποιώντας οπτικές μεθόδους, δηλ. χωρίς να απομακρύνονται τα προς μέτρηση ψάρια από τον χώρο (κλωβό ή δεξαμενή) εκτροφής.

Μία έρευνα συναφής με τη παρούσα εφεύρεση, προσπάθησε να εκτιμήσει το μέγεθος ψαριών με στερεοσκοπική κάμερα, καί περίγράφεταί στο C. Shi, Q. Wang, X. He, X. Zhang, and D. Li, "An automatic method of fish length estimation using underwater stereo system based on LabVIEW," Computers and Electronics in Agriculture, vol. 173, p. 105419, Jun. 2020, doi: 10. 1016/j.compag. 2020. 105419. Μέσω επεξεργασίας εικόνων, ο αλγόριθμος μπορούσε να εκτιμήσει το μήκος από το ρύγχος έως καί το ουραίο πτερύγιο. Το συγκεκριμένο σύστημα λάμβανε σαν είσοδο μία αλληλουχία εικόνων ψαριών που βρίσκονταν σε πειραματικό περιβάλλον δεξαμενών. Οί εικόνες κατηγοριοποιούνταν ανάλογα με τη θέση του ψαριού ως προς τον άξονα των καμερών καί γινόταν μέτρηση του συνολικού μήκους μετά από εύρεση του περιγράμματος του κάθε ψαριού.

Μία διαφορετική εκτίμηση του μήκους σε ψάρια εκτός νερού, που περίγράφεταί στο G. G. Monkman, Κ. Hyder, Μ. J. Kaiser, and F. Ρ. Vidal, "Accurate estimation of fish length in single camera photogrammetry with a fiducial marker," ICESS Journal of Marine Science, vol. 77, no. 6, pp. 2245-2254, Nov. 2020, doi: 10.1093/icesjms/fsz030, χρησιμοποιούσε μία απλή κάμερα καί δύο ειδικά σχεδιασμένα μοτίβα σαν μέτρο αναφοράς, τοποθετημένα πάνω καί κάτω από το σώμα του δείγματος. Η μέθοδος χρησιμοποιώντας καί ακτίνες λέιζερ σαν δείκτες αναφοράς μπορεί να εκτιμήσει το ολικό μήκος του ψαριού.

Παρόμοια έρευνα, η οποία περίγράφεταί στο L. Zhang, J. Wang, and Q. Duan, "Estimation for fish mass using image analysis and neural network," Computers and Electronics in Agriculture , vol. 173, p. 105439, Jun. 2020, doi: 10. 1016/j.compag. 2020.105439, εκτιμά το βάρος φαριών εκτός νερού με ένα εκπαιδευμένο νευρωνίκό δίκτυο το οποίο, με την βοήθεια αλγορίθμων μηχανικής όρασης καί στατιστικών μεθόδων, εντοπίζει χαρακτήρες ενδιαφέροντος στο ψάρι (επιφάνεια, περίμετρος κλπ) τους οποίους καί επεξεργάζεται.

Επίσης, η δημοσίευση, Ε. Harvey, D. Fletcher, and Μ. Shortis, "Estimation of reef fish length by divers and by stereo-video A first comparison of the accuracy and precision in the field on living fish under operational conditions, "2002, Fisheries Research , 57 (3): 255-265. https://doi.org/10.1016/S0165-7836(01)00356-3, εκτιμά το μήκος ψαριών με την βοήθεια ενός συστήματος στερεοσκοπικής κάμερας ελεγχόμενης εμβέλειας σε τεχνητούς υφάλους.

Μία άλλη πειραματική μέθοδος εκτίμησης του μήκους των ψαριών μέσω ενός λογισμικού περιγράφεται στο VidSync, http://www.vidsvnc.org/HomePage). Σύμφωνα με τη μέθοδο αυτή, ο χρήστης μπορούσε να υποδείξει χειροκίνητα τα σημεία ενδιαφέροντος επάνω στο ψάρι, καί στη συνέχεια μετά από κατάλληλη βαθμονόμηση, το σύστημα υπολόγιζε το μήκος του ψαριού.

Μία σχετική δημοσίευση είναι καί η Voskakis, Dimitris, Alexandros Makris, and Nikos Papandroulakis. "Deep learning based fish length estimation. An application for the Mediterranean aquaculture." OCEANS 2021: San Diego-Porto. IEEE, 2021.

Εκτός από τις παραπάνω ερευνητικές εργασίες, κάποια ακόμα συστήματα (https://new.abb.com/news/detail/55912/feeding-the-world-responsibly-andsustainably-with-artificial-intelligence-by-abb-and-microsoft, https://www.innovasea.com/aquaculture-intelligence/biomass-estimation/ https://optoscale.no/?lang=en. https://www.gosmartfarming.com/, http://www.aquabyte.ai/index.html, https://hashilthsa.com/news/2022-01-14/new-underwater-camera-sensors-allow-fish-farms-access-real-timesalmon-data) έχουν εμφανιστεί στην αγορά παρουσιάζοντας εκτιμήσεις μεγέθους ψαριών με βάση το μήκος σε ίχθυοκλωβούς, χωρίς όμως να αναφέρονταί λεπτομέρειες για τον τρόπο που γίνεται η εκτίμηση, πέρα από την γενική αναφορά για χρήση τεχνητής νοημοσύνης.

Επί πλέον, στα ακόλουθα έγγραφα περιγράφονται μεθοδολογίες στερεοσκοπίας για την εκτίμηση του βάθους πεδίου και βαθμονόμησης εικόνων στηριζόμενες σε μεθόδους τριγωνομετρίας με μονή κάμερα ή συνδυασμό κάμερας και λέιζερ όπως και για την αναγνώριση αντικειμένων σε εικόνες όπου η παρούσα εφεύρεση βασίστηκε.

Αναλυτικότερα στο έγγραφο Ρ. Mariani etal., "Range-Gated Imaging System for Underwater Monitoring in Ocean Environment," Sustainability , vol. 11, no. 1, p.

162, Dec. 2018, doi: 10.3390/sull010162 περιγράφεται ένας νέος τρόπος εκτίμησης του βάθους πεδίου στο υποβρύχιο περιβάλλον. Ειδικοί αισθητήρες εικόνας σε συνδυασμό με ένα παλμικό λέιζερ, επιτρέπουν την τρισδιάστατη υποβρύχια απεικόνιση με υψηλή ανάλυση. Οι ανακλώμενες δέσμες του λέιζερ βελτιώνουν την ποιότητα των εικόνων, παρέχοντας πληροφορίες σχετικά με την απόσταση κάθε τρισδιάστατου φωτιζόμενου αντικειμένου καί όλες τις απαραίτητες πληροφορίες για τον υπολογισμό των τρισδιάστατων συντεταγμένων κάθε αντικειμένου σε πραγματικό χρόνο.

Στο έγγραφο Υ. Salih and A. S. Malik, "Depth and Geometry from a Single 2D Image Using Triangulation," in 2012 IEEE International Conference on Multimedia and Expo Workshops , Melbourne, Australia, Jul. 2012, pp. 511-515. doi: 10.1109/ICMEW.2012.95, περίγράφεταί η εφαρμογή της στεροεοσκοπίας στον υπολογισμό γεωμετρικών παραμέτρων σε περιβάλλον ιχθυοτροφείου.

Στο έγγραφο Zhang, Zhengyou. "Determining the epipolar geometry and its uncertainty: A review." International journal of computer vision 27.2 (1998): 161-195, περιγράφεται η βαθμονόμηση κάμερας που πραγματοποιείται με την βοήθεια ενός μοτίβου γνωστών αποστάσεων τύπου σκακίέρας, αντιστοιχώντας συγκεκριμένα μήκη τμημάτων γνωστών αποστάσεων της σκακίέρας στον τρισδιάστατο χώρο με τα αντίστοιχα μήκη τμημάτων στην δίσδίάστατη εικόνα.

Στο έγγραφο Cao, Zhe, et al. "Realtime multi-person 2d pose estimation using part affinity fields. "Proceedings of the IEEE conference on computer vision and pattern recognition. 2017 (https://learnopencv.com/multi-person-poseestimation-in-opencv-using-openpose/), περίγράφεταί η αναγνώριση της δισδιάστατης στάσης ενός αντικειμένου (σ' αυτή την περίπτωση σώματος ανθρώπου) σε μία εικόνα. Ο αλγόριθμος είναι σε θέση να συσχετίσει σημεία του σώματος ενός ανθρώπου σε μία εικόνα. Έτσι, σκιαγραφείται επάνω στον άνθρωπο ένας σκελετός, απεικονίζοντας την στάση του σώματος.

Oι προαναφερθείσες εφαρμοζόμενες στη βιομηχανία μέθοδοι δειγματοληψίας, είναι χρονοβόρες και επίβαρυντικές για τα ψάρια, αφού προκαλούν στρες και πολλές φορές θνησιμότητα ψαριών. Απαιτούν δε αρκετό προσωπικό για να υλοποιηθούν. Επιπλέον, συνήθως πριν την εφαρμογή τους, τα ψάρια πρέπει να μείνουν χωρίς τροφή, για να μειωθεί το στρες τους, ενώ καί τις πρώτες μέρες μετά την δειγματοληψία η κατανάλωση τροφής καί άρα η αύξηση, μπορεί να επηρεαστεί αρνητικά.

Οι μέθοδοί που αναφέρθηκαν προηγουμένως σαν πειραματικές ή υπό ανάπτυξη, έχουν επικεντρωθεί στον υπολογισμό του μήκους σε ελεγχόμενα περιβάλλοντα, όπως δεξαμενές εντός εργαστηριακού πλαισίου. Έτσι δεν λαμβάνονταί υπόψιν οι αστάθμητοι παράγοντες της περιοχής που είναι εγκατεστημένες οι ιχθυοκαλλιέργειες ιδιαίτερα αν είναι θαλάσσιες, όπως δυσμενείς καιρικές συνθήκες, θολερότητα υδάτων αλλά ούτε και οι συνθήκες υδατοκαλλιέργειας όπου τα ψάρια είναι σε ιδιαίτερα μεγάλη πυκνότητα.

Ένα από τα σημαντικότερα προβλήματα που παρουσιάζουν τέτοιου είδους οπτικά συστήματα είναι τα σφάλματα στις εκτιμήσεις, λόγω των οπτικών παραμορφώσεων που δημιουργούνται από το υδάτινο περιβάλλον.

Σε μία πολύ σύντομη αποκάλυψη της παρούσας εφεύρεσης, αυτή αποτελεί σύστημα καί μέθοδο, που υλοποιείται με τη βοήθεια ενός λογισμικού (software) το οποίο όταν εκτελείταί με τα βήματα που αναλύονται λεπτομερώς παρακάτω, επιφέρει τεχνικό αποτέλεσμα αναγνώρισης και εκτίμησης του μήκους και του βάρους μεμονωμένων ψαριών από ένα σύνολο ψαριών σε πραγματικές βιομηχανικές συνθήκες εκτροφής είτε μέσα σε δεξαμενές είτε μέσα σε ίχθυοκλωβούς. Μία στερεοσκοπική κάμερα, δηλαδή ένα σύστημα που αποτελείταί από ένα ζεύγος καμερών, τοποθετημένες σε απόσταση μεταξύ τους ανάλογη με τις συνθήκες εφαρμογής καί μέσα σε υδατοστεγές περίβλημα, καταγράφουν καί διανέμουν βαθμονομημένες εικόνες από το χώρο εκτροφής στο λογισμικό, με μια σειρά βημάτων που εξηγείται παρακάτω. Μέσω της μεθόδου που περιγράφεται στη συνέχεια, ένα εκπαιδευμένο νευρωνίκό δίκτυο αναλύει τις εικόνες, εντοπίζοντας σημεία ενδιαφέροντος επάνω σε κάθε επίμέρους φάρε Στη συνεχεία, εξάγοντας τις τρισδιάστατες συντεταγμένες των σημείων, το σύστημα είναι σε θέση να εκτιμήσει το μήκος, μεταξύ άλλων μορφομετρίκών χαρακτήρων του εκάστοτε ψαριού. Τα σημεία ενδιαφέροντος που περιγράφουν τη μορφή του ψαριού είναι το μάτι, το ρύγχος, το πλευρικό πτερύγιο καί η άκρη του ουραίου πτερυγίου. Υπολογίζονται ακόμη καί οί μεταξύ τους αποστάσεις (μορφομετρίκοι χαρακτήρες).

Συσχετίζοντας τους μορφομετρίκούς χαρακτήρες καί με τη χρήση αλγεβρικού μετασχηματισμού (υπολογίζοντας π.χ. την σχέση μήκους-βάρους από πειραματικές μετρήσεις) εκτιμάται το βάρος του κάθε ψαριού. Από το σύνολο των μετρήσεων που πραγματοποιούνται προκύπτει ένας μέσος όρος καί η τυπική απόκλιση του μήκους και του βάρους αλλά και μία κατανομή των μετρήσεων που δίνει μία πιο ακριβή εικόνα της διασποράς των μεγεθών.

Καθώς η μέθοδος είναι μη επεμβατίκή, η εκτίμηση του μεγέθους γίνεται όσο συχνά αποφασίσει ο παραγωγός (συνήθως μηνιαία). Οι μηνιαίες μετρήσεις επιτρέπουν στον παραγωγό να παρακολουθεί την εξέλιξη της ανάπτυξης των ψαριών μέχρι την εμπορία. Οι μηνιαίες μετρήσεις γίνονται για κάθε χώρο εκτροφής (δεξαμενή ή κλωβό) που περιέχει μία ομάδα ψαριών από ένα μόνο είδος ψαριού καί επαναλαμβάνονται για όσους χώρους εκτροφής έχει η μονάδα.

Στο παράδειγμα εφαρμογής της εφευρετικής ιδέας που παρουσιάζεται εδώ, το σύστημα πραγματοποιεί μετρήσεις για τα είδη τσιπούρα καί λαβράκι που εκτρέφονται σε ιχθυοκλωβούς.

Η παρούσα εφεύρεση εξασφαλίζει τη σωστή διαχείριση μίας ιχθυοκαλλιέργειας. Μέσα σε σύντομο χρονικό διάστημα καί συγκεκριμένα μέσα σε λίγα λεπτά δειγματοληψίας στο χώρο εκτροφής και λίγες ώρες υπολογιστικής επεξεργασίας, εξάγει με μη επεμβατίκό τρόπο αποτελέσματα σχετικά με το μέγεθος των ψαριών μίας εκτρεφόμενης ομάδας σε δεξαμενή ή/και ιχθυοκλωβό χωρίς να προκαλεί στρες στα εκτρεφόμενα ψάρια, ενώ παράλληλα εξοικονομεί εργατικό δυναμικό αποφεύγοντας μία χρονοβόρα δειγματοληψία. Επίσης η εφεύρεση υλοποιεί ένα σύστημα που παρουσιάζει εύρυθμη λειτουργία καί υψηλή προσαρμοστικότητα, τόσο σε διαφορετικά μεγέθη πληθυσμών φαριών όσο καί σε διαφορετικές συνθήκες περιβάλλοντος. Επίσης, η εφεύρεση έχει τη δυνατότητα για επανεκπαίδευση του νευρωνίκού δικτύου σε διαφορετικά υδάτινα περιβάλλοντα, π.χ. διαφορετική φωτείνότητα και θολερότητα, καθιστώντας την περισσότερο λειτουργική και εφαρμόσιμη. Καθώς η προτείνόμενη μεθοδολογία επιτρέπει τη συλλογή μεγάλου αριθμού δειγμάτων (δηλ. ψαριών που μετριούνται) προσφέρει εξαιρετικά αξιόπιστα αποτελέσματα.

Η παρούσα μέθοδος επιτρέπει την αποτελεσματική διαχείριση μίας μονάδας υδατοκαλλιέργειας καθώς εκτός από την εξοικονόμηση χρόνου επιτρέπει καί τον εξορθολογίσμό της παροχής τροφής των ψαριών επιτυγχάνοντας εξοικονόμηση της τροφής. Επιπλέον η γνώση των μεγεθών των ψαριών καθώς καί της κατανομής τους, επιτρέπει την βελτιστοποίηση των διαδικασιών κατά τη φάση της εξαλίευσης καθώς είναι εκ των προτέρων γνωστά τα ποσοστά των προς εμπορία μεγεθών.

Το Σχέδιο 1 απείκονίζει τα βήματα εκτίμησης των μορφομετρίκών παραμέτρων.

Το Σχέδιο 2 απεικονίζει με μορφή διαγράμματος ροής, τα βήματα εκτέλεσης της μεθόδου.

Το Σχέδιο 3 απεικονίζει τις μορφομετρίκές παραμέτρους που χρησιμοποιεί η παρούσα εφεύρεση επάνω σε κάθε ψάρι (Σχήμα 3α) καί τον σκελετό αναγνώρισης του ψαριού που δημιουργεί το σύστημα (Σχήμα 3β).

Το Σχέδιο 4 απεικονίζει χωροταξικά τον τρόπο εγκατάστασης του συστήματος μη επεμβατικής μέτρησης μεγέθους ψαριών ιχθυοκαλλιέργειας καί εφαρμογής της μεθόδου.

Το Σχέδιο 5 απεικονίζει τους άξονες συντεταγμένων καί το διάνυσμα θέσης ενός σημείου ενδιαφέροντος (ρόγχους) σε ένα ζεύγος εικόνων που επεξεργάζεται το λογισμικό.

Η εφεύρεση περιγράφεται παρακάτω, με αναφορά στα συνημμένα σχέδια. Όπως απεικονίζεται στα σχέδια 1 καί 2, η παρούσα μέθοδος μέτρησης μεγέθους φαριών ιχθυοκαλλιέργειας εκτελείται με τα ακόλουθα βήματα με την εξής σειρά:

Βήμα 1: Εκπαίδευση του νευρωνικού δικτύου.

Για την εκπαίδευση του δικτύου χρησιμοποιείται ένας αριθμός εικόνων, στις οποίες τα σημεία ενδιαφέροντος, που είναι το μάτι (Α), το ρόγχος (Β), το πλευρικό πτερύγιο (Γ) και η ουρά - άκρο του ουραίου πτερυγίου (Δ), επιλέγονται χειροκίνητα από τον χρήστη, μέθοδος γνωστή καί ως annotation (Σχέδιο 3α). Κατά την εκπαίδευση του δικτύου, ο αλγόριθμος "μαθαίνει" να αναγνωρίζει τα χωρικά μοτίβα (spatial patterns) καί τις σχετικές θέσεις, των προαναφερθέντων σημείων. Επιπλέον, η σχετική θέση των σημείων επιτρέπει να αναγνωρίζεται η πλευρά του ψαριού (3) στην οποία ανήκει το κάθε σημείο. Τέλος υπολογίζονται και οι σχετικές, μεταξύ των σημείων, αποστάσεις. Με αυτό τον τρόπο, επιτυγχάνεται η εύρεση καί ταυτοποίηση ενός ψαριού.

Η αναγνώριση των ψαριών στηρίζεται (α) στον ακριβή εντοπισμό των σημείων ενδιαφέροντος (ρόγχος, μάτι, πλευρικό πτερύγιο, άκρη του ουραίου πτερυγίου) που ανήκουν στο ίδιο ψάρι, (β) στην αναγνώριση της πλευράς του ψαριού που ανήκουν τα σημεία ενδιαφέροντος, που φανερώνει εάν το ψάρι κινείται προς τα δεξιά ή προς τα αριστερά της εικόνας καί (γ) στον υπολογισμό των μεταξύ των σημείων αποστάσεων.

Ο αριθμός εικόνων που χρησιμοποιείται για την εκπαίδευση, εξασφαλίζει ότι η απόσταση μεταξύ των σημείων που εκτιμά ο αλγόριθμος καί αυτών που έχουν επίση μανθεί στην εκπαίδευση (annotation) συγκλίνει κοντά στο μηδέν, γεγονός που σημαίνει τον τερματισμό της εκπαίδευσης του δικτύου.

Στην εφαρμογή της εφεύρεσης που παρουσιάζεται εδώ, αυτή η απόσταση είναι μικρότερη από 10 εικονοστοιχεία. Επιπλέον απαίτηση για τον τερματισμό της εκπαίδευσης είναι ο αριθμός των ψαριών που αναγνωρίζει το σύστημα στις εικόνες να είναι ικανοποιητικός καί έχει εκτιμηθεί πως είναι επαρκής ένας αριθμός μεγαλύτερος των 100 ψαριών για παραγωγή αξιόπιστων στατιστικών αποτελεσμάτων.

Βήμα 2° Εγκατάσταση εξοπλισμού.

Σε μία πλευρά του χώρου εκτροφής (2) (κλωβός ή δεξαμενή) καί σε βάθος που κυμαίνεται από 2 έως 4 μέτρα, για το παράδειγμα εφαρμογής που περίγράφεταί εδώ, τοποθετείται η στερεοσκοπική κάμερα (4) (Σχέδιο 4), η οποία έχει δύο κάμερες/φακούς την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ).

Στο παράδειγμα εφαρμογής της εφεύρεσης που περιγράφεται εδώ, το ζεύγος των καμερών της στερεοσκοπικής κάμερας, τοποθετούνται σε απόσταση 12cm. Η απόσταση αυτή μεγαλώνει ή μικραίνει, ανάλογα με το βάθος πεδίου που επιθυμεί να επιτύχει ο χρήστης της μεθόδου.

Βήμα 3°: Συγχρονισμός καμερών.

Ένας μίκρο-υπολογίστής συγχρονίζει τις δύο κάμερες (ΑΚ - ΔΚ) ώστε να καταγράφονται ταυτόχρονα αλληλουχίες αρίθμημένων ζευγών εικόνων. Για τον συγχρονισμό καί την καταγραφή των εικόνων στο παράδειγμα εφαρμογής της εφευρετικής ιδέας που περίγράφεταί εδώ, χρησιμοποιούνται βιβλιοθήκες μηχανικής όρασης (OpenCV

https://docs.opencv.Org/3.4/d6/d00/tutorial py root.html). Με ίδιο τρόπο εφαρμογής καί τα ίδια τεχνικά αποτελέσματα μπορούν να χρησιμοποιηθούν άλλες βιβλιοθήκες μηχανικής όρασης. Ο μίκρο-υπολογίστής έχει χαμηλή κατανάλωση ενέργειας.

Οι κάμερες (4), αριστερή (ΑΚ) καί δεξιά (ΔΚ) ως προς τον χρήστη (1) όταν αυτός βρίσκεται πίσω από αυτές, συλλέγουν ζεύγη εικόνων που χαρακτηρίζονται ως αριστερή και δεξιά εικόνα αντίστοιχα.

Βήμα 4°: Καταγραφή εικόνων.

Το σύστημα καταγράφει μία αλληλουχία εικόνων υψηλής ανάλυσης σαν ζεύγη. Το ζεύγος αποτελείταί από μία εικόνα από κάθε κάμερα (σχέδια 1, 2 καί 4), που λαμβάνεταί από κάθε χώρο εκτροφής (δηλαδή από κάθε κλωβό ή δεξαμενή). Ο αριθμός των ψαριών που εντοπίζονται σε κάθε εικόνα δεν είναι καθορισμένος, αφού εξαρτάταί από τις συνθήκες της δειγματοληψίας. Η δειγματοληψία είναι τυχαία καί βασίζεται στον αριθμό των ψαριών που θα περάσουν μπροστά από την κάμερα και θα καταγραφούν σε εικόνες. Όσο μεγαλύτερος ο αριθμός των φαριών τόσο καλύτερη η δειγματοληψία και το αποτέλεσμα. Όμως με δεδομένο πως η στερεοσκοπική κάμερα (4) μπορεί να παραμείνεί επαρκή χρόνο στον χώρο εκτροφής (2), δηλαδή τουλάχιστον 30\ είναι δυνατή η συλλογή σημαντικού αριθμού δειγμάτων/εικόνων για επεξεργασία. Στη συνέχεια εφαρμόζονται κριτήρια επιλογής, όπως αναφέρονται παρακάτω στο Βήμα 7°, των εικόνων που έχουν ληφθεί, με στόχο την αποφυγή λαθών στη μέτρηση.

Βήμα 5°: Βαθμονόμηση καμερών.

Δίενεργείται η βαθμονόμηση κάθε κάμερας ξεχωριστά, δηλαδή η εύρεση των παραμέτρων εκάστης. Προσδιορίζονται δηλαδή οί εγγενείς παράμετροι, όπως είναι το εστιακό μήκος, το οπτικό κέντρο καί το μέγεθος είκονοστοίχείου. Οι παράμετροι αυτές συνδράμουν στη διόρθωση των παραμορφώσεων που προκύπτουν από τους φακούς καί το οπτικό μέσο, δηλαδή το νερό και το υδατοστεγές περίβλημα (housing) της κάμερας. Στη συνέχεια υπολογίζονται οι εξωγενείς παράμετροι, όπως ο πίνακας προσανατολισμού και μετατόπισης, οι οποίες περιγράφουν και την απόσταση μεταξύ των καμερών. Η βαθμονόμηση πραγματοποιείται με την βοήθεια ενός μοτίβου γνωστών αποστάσεων τύπου σκακίέρας, αντιστοιχώντας συγκεκριμένα μήκη τμημάτων γνωστών αποστάσεων της σκακιέρας στον τρισδιάστατο χώρο με τα αντίστοιχα μήκη τμημάτων στην δισδιάστατη εικόνα.

Βήμα 6°: Επεξεργασία εικόνων.

Είσοδος στο νευρωνικό δίκτυο ενός αρίθμημένου ζεύγους βαθμονομημένων εικόνων. Στην επεξεργασία χρησιμοποιείται ένα νευρωνικό δίκτυο λόγω της ικανότητας αναγνώρισης προτύπων/μοτίβων, και της λήψης αποφάσεων σε σύντομο χρονικό διάστημα. Στο παράδειγμα εφαρμογής της εφεύρεσης που περιγράφεται εδώ, χρησιμοποιείται ένα συνελικτικό νευρωνικό δίκτυο (Convolutional Neural Network - CNN).

Βήμα 7°: Αξιολόγηση ζεύγους εικόνων - επιλογή ψαριού προς μέτρηση Αξιολόγηση και επιλογή φαριών προς μέτρηση. Το σύστημα αξιολογεί και κρατάει για μέτρηση μόνο τα ψάρια τα οποία πληρούν συγκεκριμένα κριτήρια. Τα κριτήρια αυτά εξασφαλίζουν ότι αναγνωρίζεται το ίδιο ψάρι και στις δύο εικόνες του ζεύγους καμερών (4) που το σύστημα λαμβάνει σαν είσοδο (Βήμα 6°), από την αριστερή (ΑΚ) καί τη δεξιά (ΔΚ) κάμερα. Λαμβάνονταί υπόψη για κάθε εικόνα οι συντεταγμένες της ως προς τον χ και y άξονα, με σημείο αρχής την πάνω αριστερή γωνία (5) της κάθε εικόνας (Σχέδιο 5). Η μονάδα μέτρησης είναι ένα εικονοστοιχείο (pixel).

Τα κριτήρια αυτά είναι τα παρακάτω, τα οποία μόνον εφόσον πληρούνται και τα τρία, τότε το ψάρι είναι κατάλληλο προς μέτρηση:

Α. αφού αναγνωριστεί το σημείο ενδιαφέροντος «ρύγχος» (6) (Σχέδιο 5) για ένα ψάρι, προσδιορίζεται το μέτρο του δίανύσματος θέσης (7) του σημείου ενδιαφέροντος, σε pixels, τόσο στην αριστερή όσο καί στη δεξιά εικόνα. Η διαφορά της τιμής του μέτρου μεταξύ της δεξιάς καί της αριστερής εικόνας δεν θα πρέπει να υπερβαίνει έναν προδιαγεγραμμένο αριθμό pixels. Αυτή η διαφορά εξαρτάται από την κάμερα (ρυθμός συλλογής εικόνων) και από την ταχύτητα των ψαριών. Στο παράδειγμα εφαρμογής της εφευρετικής ιδέας που παρουσιάζεται εδώ, το σύστημα πραγματοποιεί μετρήσεις για τα είδη τσιπούρα και λαβράκι και η συγκεκριμένη διαφορά δεν πρέπει να υπερβαίνει τα 50 pixels για εικόνες 1280pixels χ 720 pixels,

Β. το υποψήφιο προς μέτρηση ψάρι πρέπει να έχει κοινή κατεύθυνση και στις δύο εικόνες (όπως περιγράφηκε στο ΒΗΜΑ 1°, αναγνώριση των ψαριών), Γ. Η συντεταγμένη του ρόγχους ως προς τον άξονα χ του ψαριού στην αριστερή εικόνα πρέπει πάντα να είναι μεγαλύτερη από την αντίστοιχη συντεταγμένη του ρόγχους ως προς τον άξονα χ του ψαριού στη δεξιά εικόνα.

Βήμα 8°: Μετρήσεις.

Εφόσον το ψάρι επιλεγεί για μέτρηση, τότε σχηματίζεται επάνω στο σώμα του ένας σκελετός (Σχήμα 3β). Η ίδια διαδικασία πραγματοποιείται για κάθε ζεύγος εικόνων, από την αριστερή και δεξιά κάμερα. Για τον σχηματισμό του σκελετού, μετρούνται και αποθηκεύονται σε αρχείο οι αποστάσεις: 1) από το ρύγχος στο μάτι (Β-Α), 2) από το ρόγχος στο πτερύγιο (Β-Γ), 3) από το πτερύγιο στην ουρά (Γ-Δ) καί 4) από το ρόγχος στην ουρά (Β-Δ) (Σχήμα 3α), σε κάθε εικόνα.

Βήμα 9°: Αξιολόγηση μετρήσεων.

Για την εξαγωγή των αποτελεσμάτων αναφορικά με το μήκος εφαρμόζεται κατωφλίωση στα δεδομένα, ως ποσοστό επί τοίς εκατό της διαμέσου τιμής, με στόχο την απόρριψη μη αποδεκτών τιμών. Για τον προσδιορισμό του κατωφλιού, υπολογίστηκε ο λόγος του αριθμού των κατάλληλων, σύμφωνα με το ΒΗΜΑ 7° , ανίχνευμένων δειγμάτων ως προς τον αριθμό των συνολικών ανίχνευμένων δειγμάτων. Θεωρείται αποδεκτό ένα κατώφλι της τάξης του 40% αφού διατηρεί έναν επαρκή αριθμό κατάλληλων δειγμάτων.

Βήμα 10° Επεξεργασία μετρήσεων καί εξαγωγή αποτελέσματος

Μέσω ενός αλγεβρικού μετασχηματισμού οί τιμές του μήκους μεταφράζονται σε αντίστοιχες τιμές για το βάρος. Η γενική μορφή της εξίσωσης που συνδέει το μήκος με το βάρος είναι W = a * L<n>+ b . Όπου ' W' το βάρος, 'α' πραγματικός αριθμός, 'V το μήκος, 'n' πραγματικός αριθμός καί 'b' πραγματικός αριθμός. ;;Οί παράμετροί της εξίσωσης αυτής εξαρτώνταί από το γενετικό υλικό καί τις συνθήκες εκτροφής για κάθε μονάδα ιχθυοκαλλιέργειας που εφαρμόζεται η εφεύρεση καί οί τιμές τους προσδιορίζονται μετά από πειραματικές μετρήσεις. Σε ένα παράδειγμα εφαρμογής της εφεύρεσης σε βιομηχανική μονάδα ίχθυοκλωβών, η εξείδίκευμένη μορφή της εξίσωσης είναι: ;;;W = 34,46 * L<1>- 635,36

Η σχέση μήκους βάρους εκτιμάται για κάθε μονάδα ιχθυοκαλλιέργειας (σύνολο κλωβών ή δεξαμενών) που θα χρησιμοποιηθεί το σύστημα καί για κάθε είδος ψαριού χωριστά, από δίενεργούμενες πειραματικές μετρήσεις.

Η παρούσα εφεύρεση βρίσκει εφαρμογή σε βιομηχανική κλίμακα με υψηλά ποσοστά ακρίβειας στην εκτίμηση του μήκους των ψαριών. Στον παρακάτω πίνακα φαίνονται αποτελέσματα από μετρήσεις που έγιναν σε ίχθυοκλωβούς, στο πλαίσιο του παραδείγματος εφαρμογής της εφεύρεσης που παρουσιάζεται εδώ σε βιομηχανική μονάδα για τσιπούρα και λαβράκι, ενδεικτικά.

Παραδείγματα περαιτέρω ανάπτυξης του συστήματος αποτελούν ο επαναπρογραμματι,σμός του λογισμικού ώστε να γίνει "ελαφρύτερο" με εξοικονόμηση υπολογιστικής ισχύος καί με εκπαίδευση του νευρωνίκού δικτύου με σκοπό την αναγνώριση από τη μία μεριά περισσότερων μορφομετρίκών χαρακτήρων καί από την άλλη περισσότερων ειδών ψαριών που ενδιαφέρουν την βιομηχανία της υδατοκαλλιέργειας. Η εφεύρεση μπορεί να εφαρμοστεί σε οποίοδήποτε είδος ψαριού ενδιαφέρει τον χρήστη μετά από εκπαίδευση του αλγόρίθμού για αναγνώριση των κατάλληλων για το κάθε είδος σημείων ενδιαφέροντος.

Το συγκεκριμένο σύστημα πληροί τις προδιαγραφές καί μπορεί να βρει εφαρμογή σε συστήματα εντατικής εκτροφής ψαριών καί ειδικότερα για ίχθυοκλωβούς βιομηχανικής κλίμακας.

Claims (12)

ΑΞΙΩΣΕΙΣ ΕΠΑΝΑΔΙΑΤΥΠΩΜΕΝΕΣ

1. Μέθοδος υπολογισμού μήκους φαριών σε περιβάλλον ιχθυοκαλλιέργειας, με μη επεμβατικό τρόπο, η οποία είναι εναλλακτική της μεθόδου επανειλημμένων δειγματοληψιών και η οποία περιλαμβάνει καταγραφή και διανομή σε λογισμικό μίας σειράς βαθμονομημένων συγχρονισμένων εικόνων από μία στερεοσκοπική κάμερα, που φέρει δύο κάμερες/φακούς την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ), εγκατεστημένη στο χώρο εκτροφής,

υπολογισμό, μέσω λογισμικού, ενός συνόλου μορφομετρίκών χαρακτήρων των ψαριών,

συσχετισμό των μορφομετρικών χαρακτήρων με χρήση αλγεβρικού μετασχηματισμού και εκτίμηση του βάρους του κάθε ψαριού,

η οποία χαρακτηρίζεται από το ότι συμπεριλαμβάνει:

Βήμα 1: Εκπαίδευση του νευρωνίκού δικτύου

εκπαίδευση νευρωνίκού δικτύου για την εύρεση και την ταυτοποίηση ενός ψαριού, με χρήση ενός αριθμού εικόνων, στις οποίες επιλέγονται χειροκίνητα από τον χρήστη ως σημεία ενδιαφέροντος το μάτι (Α), το ρύγχος (Β), το πλευρικό πτερύγιο (Γ) και η ουρά - άκρο του ουραίου πτερυγίου (Δ) του ψαριού καί για τον υπολογισμό των σχετικών, μεταξύ των σημείων, αποστάσεις,

Βήμα 2° Εγκατάσταση εξοπλισμού

τοποθέτηση σε μία πλευρά του χώρου εκτροφής (2), κλωβού/ δεξαμενής στερεοσκοπικής κάμερας με δύο κάμερες/φακούς την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ)

Βήμα 3°: Συγχρονισμός καμερών

Βήμα 4°: Καταγραφή εικόνων

καταγραφή μίας αλληλουχίας εικόνων υψηλής ανάλυσης σαν ζεύγη,

Βήμα 5°: Βαθμονόμηση καμερών

Βήμα 6°: Επεξεργασία εικόνων

είσοδος στο νευρωνίκό δίκτυο ενός αρίθμημένου ζεύγους βαθμονομημένων εικόνων, επεξεργασία των εικόνων με χρήση του νευρωνίκού δικτύου

Βήμα 7°: Αξιολόγηση ζεύγους εικόνων - επιλογή φαριού προς μέτρηση αξιολόγηση καί μέτρηση μόνον του ψαριού που αναγνωρίζεται ως το ίδιο ψάρι καί στις δύο εικόνες του ζεύγους καμερών (4), τις οποίες εικόνες ως ζεύγος το σύστημα λαμβάνει ως είσοδο (Βήμα 6°), από την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ), όπου η αξιολόγηση καί η μέτρηση πραγματοποιούνται με βάση τις συντεταγμένες του ψαριού ως προς τον χ καί y άξονα, με σημείο αρχής την πάνω αριστερή γωνία (5) της κάθε εικόνας,

καί όπου το ζεύγος των εικόνων πληροί τα εξής κριτήρια, σωρρευτικά:

Α. η διαφορά σε pixels, της τιμής του μέτρου του δίανύσματος θέσης (7) για το σημείο ενδιαφέροντος «ρόγχος» (6) μεταξύ της δεξιάς καί της αριστερής εικόνας για ένα ψάρι, δεν θα πρέπει να υπερβαίνει έναν προδιαγεγραμμένο αριθμό pixels

Β. το υποψήφιο προς μέτρηση ψάρι πρέπει να έχει κοινή κατεύθυνση καί στις δύο εικόνες (ΒΗΜΑ 1°),

Γ. η συντεταγμένη του ρόγχους ως προς τον άξονα χ του ψαριού στην αριστερή εικόνα πρέπει πάντα να είναι μεγαλύτερη από την αντίστοιχη συντεταγμένη του ρόγχους ως προς τον άξονα χ του ψαριού στη δεξιά εικόνα

Βήμα 8°: Μετρήσεις

σχηματισμός στο σώμα κάθε επιλεγέντος ψαριού για κάθε ζεύγος εικόνων, ενός σκελετού, με μέτρηση καί αποθήκευση σε αρχείο, των αποστάσεων: 1) από το ρόγχος στο μάτι (Β-Α), 2) από το ρόγχος στο πτερύγιο (Β-Γ), 3) από το πτερύγιο στην ουρά (Γ-Δ) καί 4) από το ρόγχος στην ουρά (Β-Δ), σε κάθε εικόνα

Βήμα 9°: Αξιολόγηση μετρήσεων

εξαγωγή αποτελεσμάτων αναφορικά με το μήκος με εφαρμογή κατωφλίωσης στα δεδομένα, ως ποσοστό επίτοις εκατό της διαμέσου τιμής και απόρριψη μη αποδεκτών τιμών, όπου για την κατωφλίωση χρησιμοποιείται ο λόγος του αριθμού των κατάλληλων σύμφωνα με το ΒΗΜΑ 7° ανιχνευμένων δειγμάτων ως προς τον αριθμό των συνολικών ανιχνευμένων δειγμάτων

Βήμα 10° Επεξεργασία μετρήσεων και εξαγωγή αποτελέσματος

μετάφραση των τιμών του μήκους σε αντίστοιχες τιμές για το βάρος μέσω αλγεβρικού μετασχηματισμού.

2. Μέθοδος σύμφωνα με την αξίωση 1, που χαρακτηρίζεται από το ότι στο Βήμα 2° Εγκατάσταση εξοπλισμού η στερεοσκοπική κάμερα τοποθετείται σε βάθος που κυμαίνεται από 2 έως 4 μέτρα.

3. Μέθοδος σύμφωνα με την αξίωση 1 ή 2, που χαρακτηρίζεται από το ότι στο Βήμα 9° Αξιολόγηση μετρήσεων, στο οποίο για την κατωφλίωση χρησιμοποιείται ο λόγος του αριθμού των κατάλληλων ανιχνευμένων δειγμάτων ως προς τον αριθμό των συνολικών ανιχνευμένων δειγμάτων, το κατώφλι ορίζεται σε ποσοστό τουλάχιστον 40% αυτών.

4. Μέθοδος σύμφωνα με την αξίωση 1 ή 2 ή 3, που χαρακτηρίζεται από το ότι. το νευρωνικό δίκτυο είναι ένα συνελικτικό νευρωνικό δίκτυο.

5. Μέθοδος σύμφωνα με οποιαδήποτε από τις αξιώσεις 1 έως 4, που χαρακτηρίζεται από το ότι η εκπαίδευση του δικτύου στο ΒΗΜΑ 1° τερματίζεται όταν η απόσταση μεταξύ των σημείων που εκτιμά ο αλγόριθμος και αυτών που έχουν επισημανθεί στην εκπαίδευση (annotation) συγκλίνει κοντά στο μηδέν.

6. Μέθοδος σύμφωνα με οποιαδήποτε από τις αξιώσεις 1 έως 5, που χαρακτηρίζεται από το ότι το νευρωνικό δίκτυο επανεκπαιδεύεται σε διαφορετικά υδάτινα περιβάλλοντα, ανάλογα με τη φωτείνότητα καί θολερότητα.

7. Μέθοδος σύμφωνα με οποίαδήποτε από τις αξιώσεις 1 έως 6, που χαρακτηρίζεται από το ότι η στερεοσκοπική κάμερα (4) παραμένει στον χώρο εκτροφής (2), τουλάχιστον 30'.

8. Διάταξη για την υλοποίηση της μεθόδου της αξίωσης 1, για τον υπολογισμό μήκους φαριών σε περιβάλλον ιχθυοκαλλιέργειας, με μη επεμβατικό τρόπο, που περιλαμβάνει

μέσο για την καταγραφή καί διανομή σε λογισμικό μίας σειράς βαθμονομημένων συγχρονισμένων εικόνων από μία στερεοσκοπική κάμερα, που φέρει δύο κάμερες/φακούς την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ), εγκατεστημένη στο χώρο εκτροφής,

μέσο για τον υπολογισμό, μέσω λογισμικού, ενός συνόλου μορφομετρίκών χαρακτήρων των ψαριών

μέσο για τον συσχετισμό των μορφομετρικών χαρακτήρων με χρήση αλγεβρικού μετασχηματισμού και εκτίμηση του βάρους του κάθε ψαριού,

η οποία χαρακτηρίζεται από το ότι συμπεριλαμβάνει:

Μέσο για Εκπαίδευση του νευρωνίκού δικτύου

μέσο για την εκπαίδευση νευρωνίκού δικτύου για την εύρεση και την ταυτοποίηση ενός ψαριού, με χρήση ενός αριθμού εικόνων, στις οποίες επιλέγονται χειροκίνητα από τον χρήστη ως σημεία ενδιαφέροντος το μάτι (Α), το ρύγχος (Β), το πλευρικό πτερύγιο (Γ) καί η ουρά - άκρο του ουραίου πτερυγίου (Δ) του ψαριού καί για τον υπολογισμό των σχετικών, μεταξύ των σημείων, αποστάσεις,

Μέσο για Εγκατάσταση εξοπλισμού

μέσο για τοποθέτηση σε μία πλευρά του χώρου εκτροφής (2), κλωβού/ δεξαμενής στερεοσκοπικής κάμερας με δύο κάμερες/φακούς την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ)

Μέσο για Συγχρονισμό καμερών

Μέσο για Καταγραφή εικόνων

μέσο για καταγραφή μίας αλληλουχίας εικόνων υψηλής ανάλυσης

Μέσο για Βαθμονόμηση καμερών

Μέσο για Επεξεργασία εικόνων

μέσο για επεξεργασία των βαθμονομημένων εικόνων με χρήση του νευρωνίκού δικτύου

Μέσο για Αξιολόγηση ζεύγους εικόνων - επιλογή ψαριού προς μέτρηση μέσο για αξιολόγηση καί μέτρηση μόνον του ψαριού που αναγνωρίζεται ως το ίδιο ψάρι καί στις δύο εικόνες του ζεύγους καμερών (4), τις οποίες εικόνες ως ζεύγος το σύστημα λαμβάνει ως είσοδο, από την αριστερή κάμερα (ΑΚ) καί τη δεξιά κάμερα (ΔΚ), όπου η αξιολόγηση καί η μέτρηση πραγματοποιούνται με βάση τις συντεταγμένες του ψαριού ως προς τον χ καί y άξονα, με σημείο αρχής την πάνω αριστερή γωνία (5) της κάθε εικόνας,

καί όπου το ζεύγος των εικόνων πληροί τα εξής κριτήρια, σωρρευτικά: Α. η διαφορά σε pixels, της τιμής του μέτρου του δίανύσματος θέσης (7) για το σημείο ενδιαφέροντος «ρόγχος» (6) μεταξύ της δεξιάς καί της αριστερής εικόνας για ένα ψάρι, δεν θα πρέπει να υπερβαίνει έναν προδιαγεγραμμένο αριθμό pixels

Β. το υποψήφιο προς μέτρηση ψάρι πρέπει να έχει κοινή κατεύθυνση καί στις δύο εικόνες

Γ. η συντεταγμένη του ρόγχους ως προς τον άξονα χ του ψαριού στην αριστερή εικόνα πρέπει πάντα να είναι μεγαλύτερη από την αντίστοιχη συντεταγμένη του ρόγχους ως προς τον άξονα χ του φαριού στη δεξιά εικόνα

Μέσο για Μετρήσεις

μέσο για σχηματισμό στο σώμα κάθε επιλεγέντος ψαριού για κάθε ζεύγος εικόνων, ενός σκελετού, με μέτρηση καί αποθήκευση σε αρχείο, των αποστάσεων: 1) από το ρόγχος στο μάτι (Β-Α), 2) από το ρόγχος στο πτερύγιο (Β-Γ), 3) από το πτερύγιο στην ουρά (Γ-Δ) καί 4) από το ρόγχος στην ουρά (Β-Δ), σε κάθε εικόνα

Μέσο για Αξιολόγηση μετρήσεων

μέσο για εξαγωγή αποτελεσμάτων αναφορικά με το μήκος με εφαρμογή κατωφλίωσης στα δεδομένα, ως ποσοστό επί τοίς εκατό της διαμέσου τιμής καί απόρριψη μη αποδεκτών τιμών, όπου για την κατωφλίωση χρησιμοποιείται ο λόγος του αριθμού των κατάλληλων ανίχνευμένων δειγμάτων ως προς τον αριθμό των συνολικών ανίχνευμένων δειγμάτων

Μέσο για Επεξεργασία μετρήσεων καί εξαγωγή αποτελέσματος

μέσο για μετάφραση των τιμών του μήκους σε αντίστοιχες τιμές για το βάρος μέσω αλγεβρικού μετασχηματισμού.

9. Διάταξη σύμφωνα με την αξίωση 8, που χαρακτηρίζεται από το ότι στην Εγκατάσταση εξοπλισμού η στερεοσκοπική κάμερα τοποθετείται σε βάθος που κυμαίνεται από 2 έως 4 μέτρα.

10. Διάταξη σύμφωνα με την αξίωση 8 ή 9, που χαρακτηρίζεται από το ότι το νευρωνίκό δίκτυο είναι ένα συνελίκτίκό νευρωνίκό δίκτυο.

11. Διάταξη σύμφωνα με την αξίωση 8 ή 9 ή 10, που χαρακτηρίζεται από το ότι το νευρωνίκό δίκτυο επανεκπαίδεόεταί σε διαφορετικά υδάτινα περιβάλλοντα, ανάλογα με τη φωτείνότητα καί θολερότητα.

12. Διάταξη σύμφωνα με οποι,αδήποτε από τις αξιώσεις 8 έως 11, που χαρακτηρίζεται από το ότι η στερεοσκοπική κάμερα (4) παραμένει στον χώρο εκτροφής (2), τουλάχιστον 30'.