Detección de peces submarinos utilizando aprendizaje profundo para aplicaciones de energía hídrica

La energía limpia de océanos y ríos está convirtiéndose en una realidad con el desarrollo de nuevas tecnologías como turbinas de marea y turbinas en corriente que generan electricidad a partir de agua que fluye naturalmente. Estas nuevas tecnologías están siendo monitoreadas para evaluar sus efectos en peces y otra vida silvestre utilizando video submarino. Se necesitan métodos para el análisis automatizado del video submarino para reducir los costos de análisis y mejorar la precisión. Un modelo de aprendizaje profundo, YOLO, fue entrenado para reconocer peces en videos submarinos utilizando tres conjuntos de datos muy diferentes registrados en sitios de energía hídrica del mundo real. El entrenamiento y las pruebas con ejemplos de los tres conjuntos de datos resultaron en una puntuación de precisión media (mAP) de 0.5392. Para probar qué tan bien un modelo podía generalizar a nuevos conjuntos de datos, el modelo fue entrenado utilizando ejemplos de solo dos de los conjuntos de datos y luego probado con ejemplos de los tres conjuntos de datos. El modelo resultante no pudo reconocer peces en el conjunto de datos que no formaba parte del conjunto de entrenamiento. Las puntuaciones de mAP en los otros dos conjuntos de datos que se incluyeron en el conjunto de entrenamiento fueron más altas que las puntuaciones logradas por el modelo entrenado con los tres conjuntos de datos. Estos resultados indican que se necesitan diferentes métodos para producir un modelo entrenado que pueda generalizar a nuevos conjuntos de datos como los que se encuentran en aplicaciones del mundo real.