Un conjunto de datos de referencia y un método YOLO en ensamblaje para una detección mejorada de peces submarinos

Resumen La monitorización de peces es crucial para la industria de la acuicultura ya que aborda las pérdidas económicas y los desafíos de productividad. Los métodos existentes de detección manual de peces son difíciles y requieren mucho tiempo, limitando su aplicación en la monitorización en tiempo real. Para aliviar este desafío, hay un interés creciente en sistemas inteligentes para el análisis de la salud de los peces basado en visión. En este estudio, introducimos DePondFi, un nuevo conjunto de datos diseñado para diversas tareas de visión computacional en entornos de estanques submarinos. El conjunto de datos comprende imágenes submarinas de diferentes hábitats en estanques del sur de la India, con anotaciones correspondientes de cuadros delimitadores. Nuestros experimentos analizan las características del conjunto de datos y evalúan el rendimiento de modelos de detección de objetos de una sola etapa. YOLOv8 demuestra la mayor eficacia, logrando una precisión media promedio (mAP@50) de 0.92. Al agregar predicciones y aplicar supresión no máxima, nuestro método de ensamblaje mejora el rendimiento de detección y la robustez en comparación con modelos individuales, logrando un mAP@50 de 0.94. DePondFi sirve como un valioso punto de referencia en el dominio de la visión computacional submarina para la monitorización de peces en tiempo real.