文献

J-GLOBAL ID：202102256928685429   整理番号：21A0571410

マシンビジョンとハイブリッド深層ニューラルネットワークモデルによる魚群の自動計数【JST・京大機械翻訳】

Automatic Fish Population Counting by Machine Vision and a Hybrid Deep Neural Network Model

著者 (23件)： Zhang Song (College of Electronic Information and Automation, Tianjin University of Science and Technology, Tianjin 300222, China) ,  Zhang Song (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Zhang Song (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Zhang Song (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China) ,  Yang Xinting (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Yang Xinting (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Yang Xinting (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China) ,  Wang Yizhong (College of Electronic Information and Automation, Tianjin University of Science and Technology, Tianjin 300222, China) ,  Zhao Zhenxi (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Zhao Zhenxi (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Zhao Zhenxi (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China) ,  Liu Jintao (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Liu Jintao (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Liu Jintao (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China) ,  Liu Yang (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Liu Yang (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Liu Yang (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China) ,  Sun Chuanheng (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Sun Chuanheng (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Sun Chuanheng (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China) ,  Zhou Chao (Beijing Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Zhou Chao (National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China) ,  Zhou Chao (National Engineering Laboratory for Agri-Product Quality Traceability, Beijing 100097, China)
資料名： Animals (Web)  (Animals (Web))
巻： 10  号： 2  ページ： 364  発行年： 2020年 
JST資料番号： U7131A  ISSN： 2076-2615  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 集約養殖において,浅瀬における魚類の数は,知的生産管理システムの開発に対して貴重な入力を提供できる。しかし,従来の人工サンプリング法は,時間がかかり,面倒であるだけでなく,魚に圧力を与える可能性がある。上記の問題を解決するために,本論文では,遠洋サケ養殖における魚集団のリアルタイム,正確,客観的,および無損失計数を実現するために,ハイブリッドニューラルネットワークモデルに基づく自動魚計数法を提案した。マルチカラム畳み込みニューラルネットワーク(MCNN)を,異なる受容野の特徴情報を捕えるためのフロントエンドとして使用した。魚の運動によって生じる角度,形状およびサイズの変化に適応するために,異なるサイズの畳込みカーネルを用いた。同時に,ネットワーク伝送中の空間構造情報の損失を低減するためのバックエンドとして,より広くてより深い拡張畳込みニューラルネットワーク(DCNN)を用いた。最後に,ハイブリッドニューラルネットワークモデルを構築した。実験結果は,提案したハイブリッドニューラルネットワークモデルの計数精度が95.06%までであり,推定とグラウンドトルースの間のピアソン相関係数が0.99であることを示した。CNNおよびMCNNベースの方法と比較して,精度および他の評価指標も改善した。したがって,提案方法は,供給と他の育種操作のための必須参照を提供できる。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  生産管理システム ,  *ネットワーク ,  *ニューラルネットワーク ,  立体構造 ,  浅瀬 ,  計数法 ,  育種 ,  養殖 ,  *魚群
準シソーラス用語： *神経回路網モデル ,  受容野 ,  *マシンビジョン ,  評価指標 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 水産養殖 ,  自動魚計数 ,  ハイブリッドニューラルネットワーク ,  機械視覚

分類 (2件)： 水産増養殖一般  (FH04010N) ,  魚類  (FH02020K)

引用文献 (41件)：

• Li, D.; Hao, Y.; Duan, Y. Nonintrusive methods for biomass estimation in aquaculture with emphasis on fish: A review. Rev. Aquac. 2019.
• Chang, C.; Fang, W.; Jao, R.-C.; Shyu, C.; Liao, I. Development of an intelligent feeding controller for indoor intensive culturing of eel. Aquacult. Eng. 2005, 32, 343-353.
• Zhou, C.; Lin, K.; Xu, D.; Chen, L.; Guo, Q.; Sun, C.; Yang, X. Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in aquaculture. Comput. Electron. Agr. 2018, 146, 114-124.
• Zhou, C.; Zhang, B.; Lin, K.; Xu, D.; Chen, C.; Yang, X.; Sun, C. Near-infrared imaging to quantify the feeding behavior of fish in aquaculture. Comput. Electron. Agr. 2017, 135, 233-241.
• Saberioon, M.; Gholizadeh, A.; Cisar, P.; Pautsina, A.; Urban, J. Application of machine vision systems in aquaculture with emphasis on fish: State-of-the-art and key issues. Rev. Aquac. 2017, 9, 369-387.

タイトルに関連する用語 (5件)： マシンビジョン ,  深層ニューラルネットワーク ,  モデル ,  魚 ,  計数