文献

J-GLOBAL ID：202202266716299244   整理番号：22A0567570

コンピュータビジョンと深層学習を用いたpurse seiner漁獲における熱帯マグロ種の同定と測定【JST・京大機械翻訳】

Identification and measurement of tropical tuna species in purse seiner catches using computer vision and deep learning

著者 (10件)： Lekunberri Xabier (AZTI, Marine Research, Basque Research and Technology Alliance (BRTA), Txatxarramendi ugartea z/g, 48395 Sukarrieta, Bizkaia, Spain) ,  Lekunberri Xabier (University of the Basque Country (UPV/EHU), San Sebastian, Spain) ,  Ruiz Jon (AZTI, Marine Research, Basque Research and Technology Alliance (BRTA), Txatxarramendi ugartea z/g, 48395 Sukarrieta, Bizkaia, Spain) ,  Quincoces Inaki (AZTI, Marine Research, Basque Research and Technology Alliance (BRTA), Txatxarramendi ugartea z/g, 48395 Sukarrieta, Bizkaia, Spain) ,  Dornaika Fadi (University of the Basque Country (UPV/EHU), San Sebastian, Spain) ,  Dornaika Fadi (IKERBASQUE, Basque Foundation for Science, Bilbao, Spain) ,  Arganda-Carreras Ignacio (University of the Basque Country (UPV/EHU), San Sebastian, Spain) ,  Arganda-Carreras Ignacio (IKERBASQUE, Basque Foundation for Science, Bilbao, Spain) ,  Arganda-Carreras Ignacio (Donostia International Physics Center (DIPC), San Sebastian, Spain) ,  Fernandes Jose A. (AZTI, Marine Research, Basque Research and Technology Alliance (BRTA), Txatxarramendi ugartea z/g, 48395 Sukarrieta, Bizkaia, Spain)
資料名： Ecological Informatics  (Ecological Informatics)
巻： 67  ページ： Null  発行年： 2022年 
JST資料番号： W3323A  ISSN： 1574-9541  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 漁業監視プログラムは,科学者と管理者が科学的アドバイスと漁業管理と監視の両方の準備のために必要なデータを提供するので,海洋資源の効果的な管理に不可欠である。モニタリングは,一般に,ポートとオンボードの両方で,高いコストで,人間観察者によって行われる。従って,いくつかの地域漁業管理機構(RFMO)は,特定の漁業における人間観察者に対する代替または補完として,電子監視(EM)に反対である。これは,インドと大西洋の海洋で運転する熱帯マグロの pのセイン漁業の事例であり,2017年に自発的な基礎でEMプログラムを開始した。しかし,モニタリングがEMで行われる場合でも,画像解析は専門家により手動で実行される手作業である。本論文では,カメラ搭載の熱帯マグロ p師により既に収集された画像の自動処理のためのコスト効率の良い方法論を提案した。最初に,画像を前処理して,すべての血管を横断して,次のステップを容易にした。第二に,魚を深層ニューラルネットワーク(Mask R-CNN)を用いて個別にセグメント化した。次に,すべてのセグメントを他の深いニューラルネットワーク(ResNet50V2)を通して通過して,それらを種によって分類して,それらのサイズ分布を推定した。魚類の分類のために,70%以上のすべての種に対して精度を達成し,すなわち,4個体のうち約3種がそれらの対応する種に正しく分類された。サイズ分布推定値は公式ポート測定値と並んでいたが,多数の個体を用いて計算した。最後に,提案した自動化方法論の研究を容易にすることができる現在の画像捕捉システムの改善を提案した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： カメラ ,  自動化 ,  管理者 ,  セグメンテーション ,  ニューラルネットワーク ,  海洋 ,  *マグロ ,  捕獲 ,  *熱帯 ,  画像分析 ,  *コンピュータビジョン ,  ポート ,  *漁獲 ,  推定量 ,  資源管理
準シソーラス用語： 漁業管理 , 【Automatic Indexing@JST】

著者キーワード (5件)： コンピュータビジョン ,  深層学習 ,  漁業 ,  電子モニタリング ,  熱帯マグロ種の同定

分類 (2件)： 魚類  (FH02020K) ,  漁労一般  (FH03010G)

タイトルに関連する用語 (6件)： コンピュータビジョン ,  深層学習 ,  漁獲 ,  熱帯 ,  マグロ ,  同定