Classification of Fish Species Using Deep Learning Models

Abstract

Denne oppgaven presenterer et forskningsprosjekt fokusert på klassifisering av spesifikke elve- og ferskvannsarter ved bruk av datasyn og dyplæringsteknikker. Prosjektet har som mål å bidra til akvakultur og fiskeoppdrett ved å gi nøyaktig artsgjenkjenning, som spiller en avgjørende rolle i å hjelpe interessentene til å ta informerte beslutninger og øke virksomheten deres. Prosjektet undersøker flere forskningsspørsmål knyttet til å redusere utfordringer knyttet til begrensede kraft- og minneressurser på avanserte datamaskiner, svært ubalanserte data og optimalisering av modellytelse. Ytelsen til forskjellige dyplæringsarkitekturer (ResNet-50, MobileNet V1, MobileNet V2 og MobileNet V3), når de trenes på balanserte og ubalanserte datasett under visse begrensninger pålagt av kantdatamaskinen innebygd med coral AI, diskuteres også. Videre undersøker forskningen avveiningene mellom modellnøyaktighet og ressursforbruk for ulike dyplæringsmodeller når de brukes til klassifisering av svært ubalanserte klasser på edge-enheter. Et sett med 38 eksperimenter som bruker et ubalansert og et balansert datasett med arkitekturoppsett 1 og arkitekturoppsett 2, indikerer at MobileNet V1 presterte bedre enn de andre modellene, nemlig ResNet-50, MobileNet V2 og MobileNet V3 på denne spesifikke klassifiseringsoppgaven. Studien tar for seg scenarier der svært ubalanserte data, begrenset kraft og minneressurser er vanlige utfordringer, og gir innsikt for å veilede valg og optimalisering av modeller i lignende sammenhenger. Deretter har de oppnådde resultatene blitt diskutert angående gjenbrukbarhet og fremtidige arbeider, og konklusjoner trekkes angående deres implikasjoner for applikasjoner i den virkelige verden.

This thesis presents a research project focused on the classification of specific river and freshwater species using computer vision and deep learning techniques. The project aims to contribute to the fields of aquaculture and fish farming by providing accurate species recognition, which plays a crucial role in helping the stakeholders make informed decisions and boost their business. The project investigates several research questions related to mitigating challenges posed by limited power and memory resources on edge computers, highly unbalanced data, and optimizing model performance. The performance of different deep learning architectures (ResNet-50, MobileNet V1, MobileNet V2, and MobileNet V3), when trained on balanced and unbalanced datasets under certain limitations imposed by the edge computer embedded with coral AI, is also discussed. Furthermore, the research examines the trade-offs between model accuracy and resource consumption for various deep learning models when applied to the classification of highly unbalanced classes on edge devices. A set of 38 experiments using an unbalanced and a balanced dataset with architecture setup 1 and architecture setup 2, indicate that MobileNet V1 performed better than the other models, namely ResNet-50, MobileNet V2 and MobileNet V3 on this specific classification task. The study considers scenarios where highly unbalanced data, limited power, and memory resources are common challenges, providing insights to guide the selection and optimization of models in similar contexts. Following that, the obtained results have been discussed regarding reusability and future works, and conclusions are drawn regarding their implications for real-world applications.