Vis enkel innførsel

dc.contributor.advisorAlver, Morten Omholt
dc.contributor.authorSagstad, Sondre
dc.date.accessioned2021-09-23T18:07:54Z
dc.date.available2021-09-23T18:07:54Z
dc.date.issued2020
dc.identifierno.ntnu:inspera:56990118:6213584
dc.identifier.urihttps://hdl.handle.net/11250/2780931
dc.description.abstractAutomatisk klassifisering av lakseadferd er en etterspurt løsning i oppdrettsindustrien. God klassifisering vil hjelpe med tidlig deteksjon av uønskede situasjoner, som f. eks spredningen av en sykdom eller H2S opphopning. I dag er de fleste av disse klassifiseringsprosessene utført gjennom manuell inspeksjon, noe som medfører at de er utsatt for subjektive oppfatninger. Spesielt i mørket, er det å klassifisere tilstanden i et oppdrettskar en vanskelig oppgave. Adferdsendringer kan være subtile og vanskelig å oppdage. Som en konsekvens, søker oppdrettsnæringen bedre og mer pålitelige overvåkingssystem. De siste årene har vist as Dyp Læring er et ypperlig verktøy for både handlingsgjenkjenning og segmentering av objekter i bilder. I denne masteroppgaven utforsker vi mulighetene for automatisk karakterisering av lakseadferd i oppdrettskar gjennom maskinsyn og maskinlæring. Vi utvikler et Mask R-CNN[12] nettverk som klarer å segmentere laksesmolt i bilder. Gjennom så å fôre segmenteringen gjort av nettverket gjennom en algoritme, SORT[3], som kan tracke flere objekter samtidig klarer vi effektivt å tracke laksesmolt i videosekvenser. Resultatene blir brukt i metoder for utregning av hastighet, akselerasjon, vertikale- og horisontale bevegelser. Resultatene våre viser at oppsettet vårt klarer å genere kjennetegn ved adferden som gjør det mulig å skille adferdsklasser fra hverandre. Gjennom visualisering av statistikk, klarer vi effektivt å oppdage avvik i data fra et datasett som inneholder skremt fisk når man sammenligner det med et normalt datasett. Vi håper resultatene i denne masteroppgaven vil bidra i utviklingen av automatiserte overvåkings- og støttesystem i oppdrettsnæringen. Framtidig arbeid utover resultatene i denne oppgaven, angår forbedringer av Mask R-CNN, samt utvikling av en automatisk tilnærming for å finne avvik i den genererte karstatistikken.
dc.description.abstractBeing able to automatically classify salmon behaviour is a sought after solution by the salmon industry. Good classification would help detecting unwanted events such as the spreading of a disease or H2S congestion early in the process. Today, these classification processes are mostly done through manual inspection, and as a consequence they are subject to subjective opinions. Especially in the dark, determining the state of the fish tank becomes extremely difficult. Behaviour changes can be subtle and hard to notice. Decisions are based on models and experienced operators. As a consequence, the industry is seeking a more reliable monitoring system. Recent years have shown that Deep Learning is an excellent tool for both action recognition and segmenting objects in images. In this thesis we explore the possibilities for automatic characterization of salmon behaviour in fish tanks through machine vision and machine learning. We develop a Mask R-CNN[12] capable of segmenting salmon smolt in images, and by feeding the masks generated by this network to a multiple object tracker, SORT[3], we are able to effectively track salmon smolt in video sequences. The results are used in methods for calculating characteristics such as velocity, acceleration, vertical- and horizontal movements. Our results show that our setup is able to generate behaviour characteristics from fish tank that can be used to distinguish between behaviour classes. Through visualization of statistics we are effectively able to spot a deviance in the data from a dataset when the fish are spooked compared to a normal behaviour dataset. We hope that the results in this thesis will contribute to the development of automatic monitoring- and support systems in the aquaculture industry. Future work beyond the results in this thesis concerns improvements upon the Mask R-CNN, as well as the development of an automatic approach of finding anomalies in the generated tank statistics.
dc.language
dc.publisherNTNU
dc.titleCharacterization of behaviour in tank rearing of salmon using machine vision and machine learning
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel