Fish size and shape estimation with stereoscopic vision.

Abstract

Aquaculture industry is the faster growing sector of primary production the recent years, having a significant role in the global food production. To improve its sustainability, the industries invest in technologies and innovative systems towards methodologies of high precision. One of the most crucial issue in an aquaculture farm is the accurate, continues estimation of fish biomass during on growing as this defined several husbandry parameters that affects the final production and the operational cost. In the current project, a new length estimation system through stereoscopy has been studied. Paired cameras mounted in a waterproof housing receive a sequence of images. The covering is made of special protective material, safeguarding the system from high pressures caused by water environment. A minicomputer operates the cameras, receiving the necessary data and transmitting it to the main system for further analysis. Based on the stereoscopic method, where two overlapping images, that when slightly separated, can give the third dimension, the depth, the main system measures the necessary information for the measurement of the fish. Staring from the image captured a candidate fish is recognized and spotted. Following this, through various stages of image processing, we can estimate the size of the candidate fish. A three dimensional fish model is used both for the recognition and the measurement of the fish. We use a fish model which has a skeleton consisting of joints and links, adjusting it accordingly on the candidate fish, taking its body orientations into consideration at the same time. The visualization of this three dimensional model is based on artificial intelligence and more specifically on genetic algorithms. This algorithm, called Particle Swarm Optimization, optimizes a problem through a repeated improvement of a solution. The accuracy of the system was validated with a field trial involving live fish inside a tank, and the results indicated the efficacy and potential of the proposed method.

Η υδατοκαλλιέργεια αποτελεί τα τελευταία χρόνια έναν από τους πιο ταχέως αναπτυσσόμενους παραγωγικούς κλάδους, κατέχοντας έναν πολύ σημαντικό ρόλο στην παγκόσμια παραγωγή τροφίμων. Για να βελτιώσουν την βιωσιμότητα τους, οι βιομηχανίες του χώρου επενδύουν σε τεχνολογίες και καινοτόμα συστήματα με μεθόδους υψηλής ακρίβειας. Ένα από τα πιο κρίσιμα ζητήματα σε ένα αγρόκτημα υδατοκαλλιέργειας είναι η ακριβής και συνεχής εκτίμηση της βιομάζας των ψαριών κατά τη διάρκεια της καλλιέργειας, καθώς αυτό ορίζει αρκετές παραμέτρους κτηνοτροφίας που επηρεάζουν την τελική παραγωγή και το λειτουργικό κόστος. Στην παρούσα εργασία, μελετάται μια νέα μέθοδος εκτίμησης του μήκους των ψαριών μέσω στερεοσκοπικής μεθόδου, όπου ένα ζεύγος καμερών λαμβάνει ζεύγη εικόνων. Οι κάμερες είναι τοποθετημένες σε στεγανό περίβλημα, φτιαγμένο από ειδικό υλικό, που προστατεύει το σύστημα από τις υψηλές πιέσεις που ασκούνται από το νερό. Ένας μικρο-υπολογιστής διαχειρίζεται τις κάμερες, λαμβάνοντας τα απαραίτητα δεδομένα και αποστέλλοντας τα στο κύριο σύστημα για περαιτέρω ανάλυση. Με βάση τη στερεοσκοπική μέθοδο, όπου δύο επικαλυπτόμενες εικόνες, που όταν είναι ελαφρώς διαχωρισμένες μπορούν να δώσουν την τρίτη διάσταση, το βάθος, το κύριο σύστημα υπολογίζει τις απαραίτητες πληροφορίες για τη μέτρηση των ψαριών. Εξετάζοντας τις εικόνες που λαμβάνονται από τις κάμερες, το σύστημα εντοπίζει και αναγνωρίζει σε αυτές το υποψήφιο προς μέτρηση ψάρι. Κατόπιν, και μετά από την εφαρμογή διαφόρων σταδίων επεξεργασίας της εικόνας, μπορούμε να υπολογίσουμε το μέγεθος του υποψήφιου ψαριού. Αυτό επιτυγχάνεται με τη χρήση ενός τρισδιάστατου πολυ-αρθρωτού μοντέλου ψαριού. Το μοντέλο είναι σε κλίμακα, όπου ο σκελετός του μπορεί να αυξομειώνει το μήκος του ταιριάζοντας το κατάλληλα επάνω στο υποψήφιο ψάρι, εξετάζοντας και τυχόν μεταβολές στις γωνίες των αρθρώσεων μεταξύ των συνδέσμων που απαρτίζουν τον σκελετό. Η βελτιστοποίηση του τρισδιάστατου μοντέλου βασίζεται στη τεχνητή νοημοσύνη και συγκεκριμένα στον αλγόριθμο Particle Swarm Optimization, ο οποίος βελτιστοποιεί ένα πρόβλημα μέσω επανειλημμένων προσπαθειών βελτίωσης μιας υποψήφιας λύσης. Η ακρίβεια του συστήματος αποτιμήθηκε μέσω σειράς δοκιμών, συμπεριλαμβανομένων και πειραμάτων με ψάρια εντός μίας δεξαμενής, τα αποτελέσματα των οποίων είναι ιδιαίτερα ενθαρρυντικά για την ακρίβεια και αποτελεσματικότητα της προτεινόμενης μεθόδου.