This thesis analyses some methods and algorithms for the detection and tracking of fish in submerged fish farming cages. This work is part of a more extensive project on the automation of fish farming that is being implemented in collaboration with Sintef Ocean AS and the Norwegian University of Science and Technology (NTNU). Overall, the work aims at assessing how Computer Vision techniques may aid evaluating how much and under which conditions the noise and appearance of robots within a farming case provokes fear and aggressiveness in the fish population. The main focus of this thesis is then assessing the performance of detecting fish using "You Only Look Once" (YOLO), a single-stage object detector based on a Convolutional Neural Network (CNN). Different models are obtained by training the detector on different portions of the data and their performance is compared and combined in a cross-validation approach to estimate how accurately the model will perform on real-life scenarios, i.e., on unseen data. Finally, the thesis presents a first approach to the tracking of fish using a StrongSORT tracker based on the YOLO models that were previously trained, and discusses the obtained results. All detector models were trained on custom datasets, with the data kindly being provided by the aforementioned research partners.

Questa tesi analizza alcuni metodi e algoritmi per la rilevazione e il tracciamento di pesci in gabbie sottomarine adibite alla pescicoltura. Questo lavoro è parte di un progetto più esteso incentrato sull'automazione della pescicoltura e realizzato in collaborazione con Sintef Ocean AS e l'Università di Scienze e Tecnologia della Norvegia (NTNU). Nel complesso, il lavoro intende se le tecniche di Computer Vision possono aiutare nella valutazione di quanto e in quali condizioni il rumore e l'aspetto di robot introdotti nelle gabbie provocano paura e aggressività nella popolazione di pesci. La tesi si concentra principalmente sul valutare la qualità del rilevamento dei pesci tramite l'ultilizzo di YOLO ("You Only Look Once" - "Guarda una sola volta"), un rilevatore monostadio basato su una Rete Neurale Convoluzionale (CNN). Tramite il training del rilevatore su diversi partizionamenti dei dati si sono ottenuti vari modelli predittivi, le cui perormance sono state confrontate e combinate con un approccio cross-validation per effettuare una stima dell'accuratezza del modello in uno scenario realistico, ovvero su dati completamene sconosciuti. Infine la tesi presenterà un primo approccio al tracciamento dei pesci usando un tracciatore StrongSORT basato sui modelli di YOLO precedentemente ottenuti, e verranno discussi i risultati. Tutti i modelli sono stati "addestrati" su dataset personalizzati, con le immagini che sono state gentilmente fornite dai suddetti partner di ricerca.

Computer Vision-based detection and tracking of fish in aquaculture environments

ZEBELE, GIOVANNI
2021/2022

Abstract

This thesis analyses some methods and algorithms for the detection and tracking of fish in submerged fish farming cages. This work is part of a more extensive project on the automation of fish farming that is being implemented in collaboration with Sintef Ocean AS and the Norwegian University of Science and Technology (NTNU). Overall, the work aims at assessing how Computer Vision techniques may aid evaluating how much and under which conditions the noise and appearance of robots within a farming case provokes fear and aggressiveness in the fish population. The main focus of this thesis is then assessing the performance of detecting fish using "You Only Look Once" (YOLO), a single-stage object detector based on a Convolutional Neural Network (CNN). Different models are obtained by training the detector on different portions of the data and their performance is compared and combined in a cross-validation approach to estimate how accurately the model will perform on real-life scenarios, i.e., on unseen data. Finally, the thesis presents a first approach to the tracking of fish using a StrongSORT tracker based on the YOLO models that were previously trained, and discusses the obtained results. All detector models were trained on custom datasets, with the data kindly being provided by the aforementioned research partners.
2021
Computer Vision-based detection and tracking of fish in aquaculture environments
Questa tesi analizza alcuni metodi e algoritmi per la rilevazione e il tracciamento di pesci in gabbie sottomarine adibite alla pescicoltura. Questo lavoro è parte di un progetto più esteso incentrato sull'automazione della pescicoltura e realizzato in collaborazione con Sintef Ocean AS e l'Università di Scienze e Tecnologia della Norvegia (NTNU). Nel complesso, il lavoro intende se le tecniche di Computer Vision possono aiutare nella valutazione di quanto e in quali condizioni il rumore e l'aspetto di robot introdotti nelle gabbie provocano paura e aggressività nella popolazione di pesci. La tesi si concentra principalmente sul valutare la qualità del rilevamento dei pesci tramite l'ultilizzo di YOLO ("You Only Look Once" - "Guarda una sola volta"), un rilevatore monostadio basato su una Rete Neurale Convoluzionale (CNN). Tramite il training del rilevatore su diversi partizionamenti dei dati si sono ottenuti vari modelli predittivi, le cui perormance sono state confrontate e combinate con un approccio cross-validation per effettuare una stima dell'accuratezza del modello in uno scenario realistico, ovvero su dati completamene sconosciuti. Infine la tesi presenterà un primo approccio al tracciamento dei pesci usando un tracciatore StrongSORT basato sui modelli di YOLO precedentemente ottenuti, e verranno discussi i risultati. Tutti i modelli sono stati "addestrati" su dataset personalizzati, con le immagini che sono state gentilmente fornite dai suddetti partner di ricerca.
Computer Vision
Object detection
Object tracking
Aquaculture
File in questo prodotto:
File Dimensione Formato  
Zebele_Giovanni.pdf

accesso aperto

Dimensione 11.34 MB
Formato Adobe PDF
11.34 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/38024