Detección y segmentación de peces utilizando técnicas de deep learning

Abstract

En esta tesis se examina la detección y segmentación de peces con el objetivo de mejorar la crianza de truchas. La crianza de truchas enfrenta desafíos en la identificación y seguimiento preci- so de los peces, lo que dificulta el monitoreo de su crecimiento y salud, ayudando a determinar la abundancia relativa y rastrear los cambios en la población de peces.

Para lograr el objetivo, se analizan los modernos algoritmos de detección de objetos basados en deep learning. A partir de este análisis, se han identificado las técnicas que se ajustan mejor a esta investigación, siendo esta YOLOv5 para la detección y U-Net para la segmentación.

Dado que para el entrenamiento es necesario una gran cantidad de datos, se utilizaron distintos Datasets públicos y un dataset generado específicamente para esta investigación. Estos conjuntos de datos proporcionaron la diversidad necesaria para entrenar y evaluar los modelos de detección y segmentación de peces de manera más precisa y confiable.

También se presenta una herramienta que permitirá usar los modelos presentados desde una termi- nal, haciendo que su uso sea práctico y sencillo, facilitando así su implementación en entornos de crianza de truchas.

En conclusión, esta investigación ha demostrado que el uso de los algoritmos de detección YOLOv5 y de segmentación U-Net, junto con la utilización de diversos conjuntos de datos, ha permitido mejorar significativamente la precisión y el rendimiento en la detección y segmentación de peces. Estos avances pueden tener un impacto positivo en la crianza de truchas, al facilitar el monitoreo y seguimiento de los peces de manera más eficiente y confiable.