Eine Idee hinter dem Projekt

Garnelenzuchtfarmen müssen sorgfältig kontrolliert werden, um den Kunden Garnelen von guter Qualität zu liefern und um den Verkauf und die Vertragsabwicklung effektiver zu gestalten. Zu den Kennzahlen gehören Wachstumsraten, Populationsgröße, Biomasse und Gesundheitszustand der Garnelen. Zurzeit erfolgt die Kontrolle jedoch durch manuelle Probenentnahmen, die ungenaue Messungen bedeuten können sowie die Garnelen unter Stress setzen und sie physisch verletzen können.

Daher war es unser Ziel, ein System zu entwickeln, mit dem die Zahl der Garnelen automatisch geschätzt werden kann, ohne dass diese aus ihrer Umgebung entfernt werden müssen. Grundlage des Proof of Concept sind Deep-Learning-Modelle, die darauf trainiert sind, die Anzahl der Garnelen auf einem Bild aus einer industriellen Garnelenfarm zu ermitteln.

Zusammengefasst

  • Datenkennzeichnung und explorative Datenanalyse
  • Training, Auswahl und Validierung von Objekterkennungsmodellen
  • Anwendung des Density-Map-Ansatzes zur Schätzung der Anzahl der Garnelen
  • Implementierung eigener Schichten des neuronalen Netzes von Grund auf, um die Leistung der Modelle zu steigern
  • zusätzliche Auswertung eines unabhängigen OOD-Testdatensatzes
  • Online-Visualisierung der Modellinferenz über die Streamlit-App

Mehr über das System

Objekte zu zählen, die über lange Zeiträume hinweg erfasst werden, ist eine Aufgabe, die sich hervorragend mit Methoden der Computer Vision automatisieren lässt. Unser System erleichtert die mühsame manuelle Zählung von Garnelen und ermöglicht eine genauere automatische Prognose. In unserem Proof of Concept haben wir uns auf algorithmische und Machine-Learning-Aspekte konzentriert. Wir haben drei Deep-Learning-Modelle trainiert und getestet: ein zweistufiges Detektormodell (Faster R-CNN), ein einstufiges Detektormodell (YOLOv5) und Density Maps Autoencoder-Modelle (basierend auf U2-Net).

Wir legten besonderen Wert auf die Qualität des Labeling-Prozesses und sammelten einen weit diversifizierten Datensatz aus der Garnelenfarm des Kunden. Er enthielt Aufnahmen mit unterschiedlichen Bedingungen, wie Garnelendichte, Beleuchtung, Garnelenfarbe und Abstand der Kamera von den Zuchtbecken. Wir stellten fest, dass die Bounding-Box-Detektoren besser abschnitten als der dichtebasierte Ansatz mit YOLOv5 und Faster-RCNN und ein akzeptables Niveau relativer Fehlzählungen erreichten (etwa 6 %).

Darüber hinaus haben wir festgestellt, dass das YOLOv5-Modell am besten die OOD-Stichproben generalisiert. Bilder mit einer hohen Dichte von mehr als 200 Objekten, die sich teilweise überschneiden, stellten eine besondere Herausforderung dar. Um dieses Hindernis zu überwinden, trainierten wir Modelle mit aggressiveren Augmentationstechniken. Dieser Ansatz führte selbst bei schwierigen Stichproben zu überzeugenden Ergebnissen.

object counting models

Ein Faster-RCNN Detektormodell

Die Lösung

Unsere Lösung zählt Garnelen auf einem zufriedenstellenden Niveau und ermöglicht eine genauere Schätzung der Biomasseproduktion. Diese trainierten Modelle lassen sich gut auf neue Umgebungen übertragen und können an verschiedenen Standorten eingesetzt werden. Unsere Arbeit ermutigte den Kunden zu weiteren Schritten und von dem anfänglichen Proof of Concept zu einer kommerziell nutzbaren Anwendung überzugehen.

Darüber hinaus eröffnen die konkreten Ergebnisse bei der Garnelenzählung neue, vielversprechende Forschungsperspektiven für weitere Anpassungen der Produktionsprozesse.

Das Projekt wurde vom Bundesministerium für Ernährung und Landwirtschaft (BMEL) finanziert. 

object counting system

object counting – computer vision models

detector model in object counting

Lassen Sie uns sprechen und sehen ob wir zu ihrem nächsten IT-Projekt passen.
Tomasz Kowalczyk CEO NeuroSYS
Tomasz Kowalczyk
CEO von NeuroSYS
icon
icon