Type de document : article scientifique publié dans Expert Systems with Applications
Auteurs : Ignacio Martinez-Alpiste, Jean-Benoît de Tailly, Jose M. Alcaraz-Calero, Katherine A. Sloman, Mhairi E. Alexander, Qi Wang
Résumé en français (traduction) : Compréhension du comportement des animaux aquatiques dans l’eau basée sur l’apprentissage automatique
Inspiré par les ambitions de la quatrième révolution industrielle pour l’aquaculture, également connue sous le nom d’Aquaculture 4.0, le secteur de l’aquaculture (élevage d’animaux marins) cherche à adopter l’intelligence artificielle (IA) axée sur les données pour améliorer de manière significative les opérations commerciales. L’un des principaux obstacles est l’annotation manuelle des données sur le comportement des animaux, une tâche qui prend beaucoup de temps et exige une grande concentration de la part des biologistes. Pour relever ce défi, cet article propose une nouvelle méthode de surveillance automatique du comportement des animaux, adaptée aux scénarios industriels. Notre approche introduit un système de segmentation d’instances en temps réel basé sur l’apprentissage automatique et spécialisé dans les environnements sous-marins, où de grands groupes de crevettes sont élevés. Le système mis en œuvre atteint un taux de précision de 89 % à 30 images par seconde (ips) et peut détecter avec précision les crevettes dans des zones à forte densité, dans des conditions d’éclairage médiocres et dans des eaux à forte turbidité, malgré les problèmes d’occlusion et de chevauchement. L’une des principales innovations de notre méthode est la mise en œuvre d’un nouvel algorithme de regroupement des densités pour l’analyse des séries temporelles et des vidéos. Cette approche offre un moyen plus efficace et plus précis de surveiller le comportement des animaux, ce qui permet aux biologistes de gagner du temps et d’économiser des efforts, tout en améliorant les capacités des systèmes d’aquaculture automatisés.
Résumé en anglais (original) : Inspired by the ambitions envisioned in the Fourth Industrial Revolution for aquaculture, also known as Aquaculture 4.0, the aquaculture (marine animal farming) industry is seeking to adopt data-driven Artificial Intelligence (AI) to help significantly improve business operations. One of the major barriers is the manual annotation of animal behaviour data, which is a time-consuming task that demands high levels of concentration from biologists. To address this challenge, this paper proposes novel automatic animal behaviour monitoring tailored for industrial scenarios. Our approach introduces a real-time machine-learning-based instance segmentation system that is specialised for underwater environments, where large groups of shrimp are farmed. The implemented system achieves an accuracy rate of 89% at 30 frames per second (fps) and can accurately detect shrimp in high-density areas under poor lighting conditions and high turbidity waters, despite the challenges of occlusion and overlapping. A key innovation of our method is the implementation of a new density cluster algorithm for time series and video analysis. This approach provides a more efficient and accurate way of monitoring animal behaviour, significantly saving time and effort for biologists and advancing the capabilities of automated aquaculture systems.
