Desarrollo de una aplicación para el monitoreo del crecimiento de tilapias utilizando machine learning

La aplicación del aprendizaje automático tiene gran potencial en la acuicultura, ya que puede proporcionar datos importantes sobre el crecimiento de los peces que no requieren medidas de invasión. Además, la introducción de avanzadas técnicas en la acuicultura contribuye al avance tecnológico del sector, lo cual repercute positivamente en los indicadores económicos, la sostenibilidad y el bienestar social. El objetivo del proyecto radica en la necesidad de aplicar estimaciones ágiles y no invasivas sobre el crecimiento de las tilapias que permitan optimizar las mediciones manuales, además de utilizar técnicas estadísticas para la estimación de la longitud y el peso de las tilapias, dejando a un lado los métodos tradicionales. Para lograr este proyecto, se realizaron una serie de pasos. Primero, se llevó a cabo una revisión bibliográfica enfocada en la estimación de peso mediante visión artificial. Segundo, se recolectaron cerca de 1000 imágenes de tilapias para la construcción del dataset. Tercero, se adaptó el modelo pre-entrenado de YOLOv8 para la segmentación de las tilapias, además de realizarse un modelo utilizando una técnica estadística como lo es la regresión lineal específicamente para la estimación del peso y longitud. De este modo, con ambos modelos, se integraron en una página web utilizando la metodología Extreme Programming o XP, a fin de realizar el desarrollo de la aplicación web con sus fases: planificación, diseño, codificación y pruebas. Mediante una matriz de confusión se evaluó el modelo de detección y segmentación con las métricas de precisión y exactitud alcanzando una precisión del 88%, además de evaluar el modelo con la norma ISO 9126 con el objetivo de valorar la funcionabilidad, confiabilidad, usabilidad y eficiencia de esta aplicación web. Al finalizar las pruebas se comprobó con éxito que esta aplicación web puede detectar, segmentar y predecir tanto la longitud como el peso de una tilapia mediante una imagen con cierto grado de precisión a los valores reales, no obstante, las predicciones en algunos casos muestran una discrepancia significativa, posiblemente debido a la limitada variabilidad en los datos recopilados para longitud y peso

• Autor Principal: Armijos Sigcho, Galo Alexander (author)
• Outros autores: Vásquez Ramón, Cristhian Alejandro (author)
• Formato: bachelorThesis
• Publicado: 2024
• Subjects: MACHINE LEARNING; FISH DETECTION; FISH ESTIMATE; NEURAL NETWORK; TILAPIA; COMPUTER VISION
• Acceso en liña: http://repositorio.utmachala.edu.ec/handle/48000/23113