Detección de enfermedades en peces basado en aproximación por segmentación

Descripción del Proyecto

Detectar enfermedades en peces planos en ambientes de acuicultura densamente poblados es difícil debido a la alta densidad de peces y la necesidad de una detección temprana de enfermedades. Los métodos tradicionales se basan en inspecciones visuales, lo cual es ineficiente.

Solución: Se propone un sistema que:

• Segmenta los peces planos en partes de cabeza, aletas y cuerpo.
• Aumenta el conjunto de datos utilizando GAN para generar imágenes realistas de enfermedades.
• Utiliza YOLOv8 para la detección de enfermedades, mejorando el rendimiento mediante la segmentación y la ampliación de datos.

Enfoque Técnico

Paso 1: Preparación de Datos

Un gran conjunto de datos de imágenes de peces planos que incluye 164 peces enfermos y 394 identidades de enfermedades. Las enfermedades se segmentan visualmente y se clasifican en las regiones de cabeza, aletas y cuerpo. Se creó el conjunto de datos AMFlatIMG.

    import torch
    import torch.nn as nn
    import torch.optim as optim
    import torchvision
    import torchvision.transforms as transforms
    from torch.utils.data import DataLoader, Dataset
    from PIL import Image
    import os
    import matplotlib.pyplot as plt
    
    # Transformaciones de las imágenes
    transform = transforms.Compose([
        transforms.Resize((128, 128)),   # Redimensionar todas las imágenes a 128x128
        transforms.ToTensor(),           # Convertir la imagen a tensores
        transforms.Normalize((0.5,), (0.5,))  # Normalización
    ])
    
    class FishDiseaseDataset(Dataset):
        def __init__(self, root_dir, transform=None):
            self.root_dir = root_dir
            self.transform = transform
            self.image_paths = []
            self.labels = []
    
            # Recorremos el directorio para encontrar imágenes y sus etiquetas
            for label_dir in os.listdir(root_dir):
                if os.path.isdir(os.path.join(root_dir, label_dir)):
                    for img_file in os.listdir(os.path.join(root_dir, label_dir)):
                        if img_file.endswith(".jpg") or img_file.endswith(".png"):
                            self.image_paths.append(os.path.join(root_dir, label_dir, img_file))
                            self.labels.append(label_dir)
    
        def __len__(self):
            return len(self.image_paths)
    
        def __getitem__(self, idx):
            img_path = self.image_paths[idx]
            image = Image.open(img_path).convert('RGB')
            label = self.labels[idx]
    
            if self.transform:
                image = self.transform(image)
    
            # Etiquetas están codificadas en un diccionario
            label_map = {"head": 0, "fins": 1, "body": 2}  # Etiquetas de ejemplo
            label_idx = label_map[label]
            
            return image, label_idx
    
    # Ruta al dataset 
    dataset_root = './AMFlatIMG'
    dataset = FishDiseaseDataset(dataset_root, transform=transform)     
                

Paso 2: Aumento de Imágenes

El estudio utiliza Redes Generativas Adversarias (GAN) para generar parches realistas de enfermedades y aumentar el conjunto de datos, lo que mejora el rendimiento del modelo en un 12%.

Paso 3: Segmentación por Partes

Las imágenes de los peces se dividen en tres segmentos (cabeza, cuerpo y aletas) para la detección de enfermedades. Este enfoque de segmentación mejora la detección al centrarse en las regiones específicas del cuerpo donde aparecen las enfermedades.

Paso 4: Modelo y Armonización

Se utilizan GANs para generar parches realistas de enfermedades, que luego se combinan con imágenes de peces sanos mediante una técnica de armonización de imágenes. Esto mejora el conjunto de datos con imágenes sintéticas pero realistas.

Paso 5: Rendimiento de la Detección

El modelo propuesto, que incluye aumento de datos y segmentación por partes, mejora significativamente el rendimiento en los conjuntos de datos de peces planos y salmón. YOLOv8 se utilizó como modelo base, logrando una mejora del 12% en el rendimiento.

Resultados y Beneficios

• Mejora en rendimiento: Se logró un 12% más de rendimiento utilizando la segmentación por partes y el aumento de datos.
• Generalidad del modelo: El sistema es generalizable a otras especies de peces, como el salmón.
• Optimización de recursos: Se logró optimizar la cantidad de recursos disponibles, lo que derivó un en un aumento de la productividad acuícola en un 17%.

Tecnologías y Herramientas

¿Listo para optimizar tus cultivos?