Method for restoring occluded boundaries of dense juvenile abalone in aquaculture environments based on discrete cosine transform
Dit artikel stelt een nieuwe methode voor voor het herstellen van geoccludeerde grenzen van dichte juveniele abalone in aquaculturomgevingen door een cross-scale feature fusion-module en een leerbare ruismodule gebaseerd op discrete cosinus-transformatie te integreren om de segmentatiegenauwheid te verbeteren en de uitdagingen van kleine omvang, dichte distributie en complexe occlusie aan te pakken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de bruisende wereld van de aquacultuur is de abalone een gewilde creatuur, gewaardeerd om zijn rijke voedingswaarde en de hoge vraag naar het vlees. Voor kwekers zijn de vroege stadia van het kweken van deze weekdieren cruciaal. Voordat ze verkocht of verplaatst kunnen worden naar grotere tanks, moeten juveniele abalones zorgvuldig gesorteerd en gesorteerd worden op grootte. Dit proces gebeurt traditioneel met de hand, een langzame en arbeidsintensieve taak die van werkers vereist dat zij de delicate dieren fysiek aanraken. Dergelijk contact brengt het risico met zich mee dat hun schelpen beschadigd raken en kan virussen introduceren die de gehele voorraad bedreigen. Om dit op te lossen, hebben wetenschappers zich gericht op computer vision, een vakgebied waar machines leren om te "zien" en afbeeldingen te analyseren. Het doel is om een systeem te creëren dat deze kleine wezens automatisch kan tellen en meten zonder ze ooit aan te raken. Dit is echter verre van een eenvoudige taak. In een echte kweektank klonteren duizenden abalones samen, waarbij ze vaak op elkaar gestapeld liggen. Voor een camera zien ze eruit als een verstrengelde, verschuivende massa schelpen waarbij individuele grenzen verborgen blijven. Wanneer een computer probeert ze te scheiden, ziet hij vaak één grote vlek in plaats van vele afzonderlijke dieren, of mist hij de randen waar het ene dier eindigt en het andere begint.
Een team onderzoekers aan de Ludong Universiteit in China heeft een nieuwe methode ontwikkeld om computers te helpen door deze visuele verwarring heen te kijken. Ze richtten zich op de specifieke uitdaging van "occlusie", wat de technische term is voor wanneer het ene object het zicht op het andere blokkeert. In hun studie pakten ze het probleem van dichte, kleine doelwitten aan — specifiek, juveniele abalones die dicht op elkaar gepakt zitten in tanks vol zeewier. De onderzoekers bouwden een aangepaste dataset genaamd AbData, die meer dan 148.000 afbeeldingen van deze drukke scènes bevat, om hun systeem te trainen. Ze ontdekten dat bestaande computerprogramma's, die goed werken voor grotere of meer verspreide objecten, aanzienlijk moeite hadden met deze piepkleine, overlappende schelpen. De programma's slaagden er vaak niet in om de juiste omtrek rond elke individuele abalone te tekenen, waardoor er gaten ontstonden of aparte dieren werden samengevoegd tot één enkele vorm.
Om dit op te lossen, ontwierpen de onderzoekers een nieuw computermodel dat werkt als een bekwame kunstenaar die een gescheurde afbeelding reconstrueert. Hun aanpak steunt op twee belangrijke innovaties. Ten eerste creëerden ze een systeem dat naar de afbeelding kijkt door verschillende "lenzen" van detail tegelijkertijd. Stel je voor dat je naar een drukke kamer kijkt: van een afstand zie je een waas van mensen; van dichtbij zie je gezichten en handen. Het nieuwe model combineert deze verschillende niveaus van detail, waardoor het zowel de totale menigte als de specifie
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.