Development of methods for the automated monitoring of fish in DIDSON (Dual-Frequency Identification Sonar) data = Ανάπτυξη μεθόδων για την αυτοματοποιημένη παρακολούθηση ιχθύων σε δεδομένα DIDSON (Dual-Frequency Identification Sonar).

Περίληψη

The application of hydroacoustic techniques is well established in the field of Fisheries Science, as it is a methodology that can provide qualitative (e.g. behaviour, direction of movement) and quantitative (e.g. abundance, biomass) information of fish stock in high resolution and non-invasively collected. DIDSON is one of the most recent technological achievements in the field of Hydroacoustics. It is an acoustic camera that utilizes very high frequencies, thus having the capability to produce high quality images. As the DIDSON data can be properly converted to an image array, computer vision techniques can be used for processing the data. However, those methods almost invariably necessitate human intervention, in order to refine the final results and suitably fine-tune all processing parameters for an optimal result. The main aim of this study is to explore and identify the potential for automation of fish target detection from DIDSON data, combining techniques from the fields of computer vision and machine learning. Specifically, a workflow is proposed and validated, which is based on optical flow field calculation and the application of a genetic algorithm, in order to detect fish targets. Manual validation of the methodology indicated that at least half of the targets are successfully detected almost 60% of the time. The average neighborhood size (moving structure bounds) for the optical flow field calculation was estimated by the genetic algorithm to be around 12-14 pixels. The methodology provides promising results with minimal user intervention and can be extended to include additional parameters of the detection and tracking workflows.

Η υδροακουστική είναι μια καλά εδραιωμένη τεχνική στον τομέα της αλιευτικής επιστήμης, καθώς αποτελεί μια μέθοδο, με την οποία μπορούν να συλλεχθούν μη-παρεμβατικά, ποιοτικά (π.χ. συμπεριφορά, κατεύθυνση κίνησης) και ποσοτικά (π.χ. αφθονία, βιομάζα)  δεδομένα ιχθύων με υψηλή ανάλυση.  Ένα από τα πρόσφατα τεχνολογικά επιτεύγματα στον τομέα της υδροακουστικής είναι η ακουστική κάμερα DIDSON. Είναι μια ακουστική κάμερα που χρησιμοποιεί πολύ υψηλές συχνότητες, παράγοντας, έτσι, εικόνες υψηλής ποιότητας. Καθώς τα δεδομένα του DIDSON μπορούν να μετατραπούν σε μια συστοιχία εικόνων, μπορούν να χρησιμοποιηθούν τεχνικές υπολογιστικής όρασης για την επεξεργασία τους. Ωστόσο, αυτές οι μέθοδοι απαιτούν συχνά ανθρώπινη παρέμβαση, προκειμένου να βελτιστοποιηθούν τα τελικά αποτελέσματα και να ρυθμιστούν κατάλληλα όλες οι παράμετροι επεξεργασίας, ώστε να επιτευχθεί το βέλτιστο δυνατό αποτέλεσμα. Ο κύριος στόχος της παρούσας εργασίας είναι η διερεύνηση  της δυνατότητας αυτοματοποίησης της ανίχνευσης ιχθύων - στόχων από  δεδομένα DIDSON, συνδυάζοντας τεχνικές υπολογιστικής όρασης και μηχανικής μάθησης. Συγκεκριμένα, προτείνεται μια ροή εργασιών, η οποία βασίζεται στον υπολογισμό του πεδίου οπτικής ροής και στην εφαρμογή ενός γενετικού αλγορίθμου, προκειμένου να ανιχνευθούν στόχοι ιχθύων. Η χειροκίνητη επικύρωση της μεθοδολογίας έδειξε ότι τουλάχιστον το ήμισυ των στόχων εντοπίζονται με επιτυχία σχεδόν στο 60% των εικόνων. Το μέσο μέγεθος της γειτονιάς (κινούμενα όρια δομής) για τον υπολογισμό του οπτικού πεδίου ροής εκτιμήθηκε από τον γενετικό αλγόριθμο να ισούται περίπου με 12-14 εικονοστοιχεία. Η μεθοδολογία παρέχει πολλά υποσχόμενα αποτελέσματα, με ελάχιστη παρέμβαση του χρήστη, και μπορεί να επεκταθεί ώστε να περιλαμβάνει πρόσθετες παραμέτρους των ροών εργασίας ανίχνευσης και εντοπισμού.