Αναγνώριση μοντέλων κίνησης σε σμήνος ψαριών Αναγνώριση μοντέλων κίνησης σε σμήνος ψαριών Determination of motion models in fish school Διπλωματική Εργασία Diploma Work 2018-12-202018elΑντικείμενο της παρούσας διπλωματικής είναι η υλοποίηση, η επιβεβαίωση και η αξιολόγηση ενός συστήματος επιτήρησης ψαριών σε ιχθυοκλωβούς η οποία στοχεύει στην ανάλυση της συμπεριφοράς κοπαδιού από ψάρια ή μεμονωμένων ατόμων αυτού. Μια τέτοια εφαρμογή αποδεικνύεται ιδιαίτερα χρήσιμη για την καθοδήγηση της τροφοδοσίας και τον έλεγχο ομαλής ανάπτυξης των ψαριών στον αναπτυσσόμενο κλάδο της ιχθυοκαλλιέργειας. Ένα κρίσιμο ζήτημα που χρειάστηκε να αντιμετωπίσουμε ήταν η βελτίωση των υποθαλάσσιων εικόνων στα βίντεο καθώς χαρακτηρίζονται από έντονο θόρυβο, ξαφνικές αλλαγές στη φωτεινότητα και θολό περιβάλλον. Έπειτα, βασικά βήματα στην υλοποίησή μας απετέλεσαν η επιλογή των κατάλληλων αλγορίθμων για την ανίχνευση, παρακολούθηση και μοντελοποίηση της τροχιάς των ψαριών. Βασικό εργαλείο για την υλοποίηση των παραπάνω ήταν η επιλογή του Kalman φίλτρου για την πρόβλεψη και εκτίμηση της κίνησης των ψαριών. Προβλήματα τα οποία παρουσιάστηκαν επιλύθηκαν σε ένα σημαντικό βαθμό μέσω της κατάλληλης επεξεργασίας των τροχιών μετά την εξαγωγή τους. Για την τελική ανάλυση της συμπεριφοράς των ψαριών, οι τροχιές μοντελοποιήθηκαν σε ομαλές και μη, με βάση την ομοιομορφία στην κλίση της τροχιάς. Στα πλεονεκτήματα του συστήματός μας μπορεί να καταγραφεί ότι, μέσω μελλοντικής βελτίωσής του, μπορεί να οδηγήσει σε ένα πλήρως αυτοματοποιημένο σύστημα με στόχο την εφαρμογή του σε ρεαλιστικές συνθήκες και πραγματικό χρόνοThe objective of the current thesis is the implementation, testing and validation of a video-surveillance system in fish farms that can be used in the future to analyze fish school behavior or their individual behavior. Such an application proves to be extremely useful in guiding the feeding procedure and inspect the quality of growth of fish populations in the expanding industry of fish farming. A crucial issue that we faced was the image enhancement of underwater images in videos, as they are characterized of intense noise, sudden light changes and blurring environment. Afterwards, the basic steps of our implementation involved the appropriate selection and combination of algorithms for detection, tracking and trajectory modeling of fish movements. The use of the Kalman Filter was important for the prediction and correction of fish motion. We further processed the trajectories after their extraction based on important observations on real videos. Finally, for the behavior analysis of fish we modeled and grouped trajectories into normal and abnormal classes, based on the uniformity of the trajectory slopes. As for the advantages of our system, we could say that future improvement is needed, but there is good indication that it can lead to a fully automatic system in order to be used under realistic conditions for real-time monitoring and interventions.http://creativecommons.org/licenses/by-nc/4.0/Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών ΥπολογιστώνDoko_Aneza_Dip_2018.pdfChania [Greece]Library of TUC2018-12-20application/pdf5.7 MBfree Ntoko Aneza Ντοκο Ανεζα Zervakis Michail Ζερβακης Μιχαηλ Petrakis Evripidis Πετρακης Ευριπιδης Παπανδρουλάκης Νίκος Πολυτεχνείο Κρήτης Technical University of Crete Μηχανική όραση Detection Fish