Un sistema de detección de peces para escala de hendidura vertical utilizando tecnología láser y técnicas de visión artificial
DOI:
https://doi.org/10.4995/ia.2015.3472Palabras clave:
Visión Artificial, Escalas de Peces, Contador de peces, Detección por laserResumen
Las escalas de hendidura vertical son una de las estructuras más utilizadas para sortear obstáculos. Estas estructuras permiten a los peces sortear obstáculos como presas, centrales hidroeléctricas y otros. Conocer la frecuencia con la que los peces atraviesan este tipo de estructuras puede ayudar a conocer la eficacia de las mismas, así como conocer características migratorias de las especies, determinar si el curso fluvial está sano o determinar si se puede pescar con garantías de conservación y mejora de la fauna. La técnica expuesta en este artículo es un método no invasivo para detección de peces en tiempo real, sin necesidad de observación directa. Se utiliza un sensor láser para detectar los peces y los datos recogidos por el sensor son analizados de forma automática con técnicas de visión artificial en una aplicación informática.
Descargas
Citas
Balk, H., Lindem, T. (2000). Improved fish detection in data from split-beam sonar. Aquatic Living Resources, 13(5), 297-303. doi:10.1016/S0990-7440(00)01079-2
Baumgartner, L., Bettanin, M., McPherson, J., Jones, M., Zampatti, B., Beyer, K. (2010). Assessment of an infrared fish counter (Vaki Riverwatcher) to quantify fish migrations in the Murray-Darling Basin. Industry y Investment NSW, Fisheries Final Report Series 116, 47.
Belcher, E., Matsuyama, B., Trimble, G. (2001). Object identification with acoustic lenses. Paper presented at the OCEANS, 2001. MTS/IEEE Conference and Exhibition, Honolulu, HI. doi:10.1109/oceans.2001.968656
Blake, R.W. (2004). Fish functional design and swimming performance. Journal of Fish Biology, 65(5), 1193-1222. doi:10.1111/j.0022-1112.2004.00568.x
Craig, R.E., Forbes, S.T. (1969). Design of a sonar for fish counting. Fiskeridirektoratets skrifter, Serie Havundersøkelser, Vol 15(3), 210-219.
Dewar, H., Graham, J. (1994). Studies of tropical tuna swimming performance in a large water tunnel - Energetics. Journal of Experimental Biology, 192, 13-31.
Ehrenberg, J.E. (1972). A method for extracting the fish target strength distribution from acoustic echoes. Paper presented at the Engineering in the Ocean Environment, Ocean 72, Newport, RI, USA. doi:10.1109/OCEANS.1972.1161176
Han, J., Honda, N., Asada, A., Shibata, K. (2009). Automated acoustic method for counting and sizing farmed fish during transfer using DIDSON. Fisheries Science, 75(6), 1359-1367. doi:10.1007/s12562-009-0162-5
Haralick, R.M., Sternberg, S.R., Zhuang, X. (1987). Image Analysis Using Mathematical Morphology. IEEE Transactions on Pattern and Machine Intelligence, PAMI-9(4), 532-550. doi:10.1109/TPAMI.1987.4767941
Holmes, J.A., Cronkite, G.M.W., Enzenhofer, H.J., Mulligan, T.J. (2006). Accuracy and precision of fish-count data from a ‘‘dualfrequency identification sonar’’ (DIDSON) imaging system. ICES Journal of Marine Science, 63(3), 543-555. doi:10.1016/j.icesjms.2005.08.015
Mitra, V., Wang, C.J., Banerjee, S. (2004). Lidar Detection of Underwater Objects Using a Neuro-SVM-Based Architecture. IEEE Transactions on Neural Networks.
Ochoa-Somuanom, J., Pérez-Lara, C., Toscano-Martínez, J.H., Pereyra-Ramos, C.G. (2013). Clasificación de objetos rígidos a partir de imágenes digitales empleando los momentos invariantes de Hu. Paper presented at the X Congreso Internacional sobre Innovación y Desarrollo Tecnológico, Cuernavaca Morelos, México.
Otsu, N. (1979). A Threshold Selection Method from Gray-Level Histograms. Systems, Man and Cybernetics, IEEE Transactions, 9(1), 62-66. doi:10.1109/TSMC.1979.4310076
Pajares Martinsanz, G., De la Cruz García, J. (2007). Visión por computador imágenes digitales y aplicaciones, 2ª ed. Ra-Ma Ed.: Madrid, España.
Puertas, J., Cea, L., Bermúdez, M., Pena, L., Rodríguez, A., Rabuñal, J., Balairón, L., Lara, A., Aramburu, E. (2011). Computer application for the analysis and design of vertical slot fishways in accordance with ther requirements of the target species. Ecological Engineering, 48, 51-60. doi:10.1016/j.ecoleng.2011.05.009
Puertas, J., Pena, L., Teijeiro, T. (2004). Experimental Approach to the Hydraulics of Vertical Slot Fishways. Journal of Hydraulics Engineering, 130(1), 10-23. doi:10.1061/(ASCE)0733-9429(2004)130:1(10)
Rodríguez, A., Bermúdez, M., Rabuñal, J., Aff.M.ASCE, Puertas, J., Dorado, J., Pena, L., Balairón, L. (2011). Optical Fish Trajectory Measurement in Fishways through Computer Vision and Artificial Neural Networks. Journal of Computing in Civil Engineering, 25(4), 291-301. doi:10.1061/(ASCE)CP.1943-5487.0000092
Rodríguez, R., Sossa, J.H. (2011). Procesamiento y análisis digital de imágenes, Ra-Ma Ed.: Madrid, España.
Storbeck, F., Daan, B. (2001). Fish species recognition using computer vision and a neural network. Fisheries Research, 51(1), 11-15. doi:10.1016/S0165-7836(00)00254-X
Tarrade, L., Texier, A., David, L., Larinier, M. (2008). Topologies and measurements of turbulent flow in vertical slot fishways. Hydrobiologia, 609, 177-188. doi:10.1007/s10750-008-9416-y
White, D.J., Svellingen, C., Strachan, N.J.C. (2006). Automated measurement of species and length of fish by computer vision. Fisheries Research, 80(2-3), 203-210. doi:10.1016/j.fishres.2006.04.009
Wu, S., Rajaratnam, N., Katopodis, C. (1999). Structure of flow in vertical slot fishways. Journal of Hydraulic Engineering, 125(4), 351-360. doi:10.1061/(ASCE)0733-9429(1999)125:4(351)
Zion, B., Alchanatis, V., Ostrovsky, V., Barki, A., Karplus, I. (2007). Real-time underwater sorting of edible fish species. Computer and Electronics in Agriculture, 56(1), 34-45. doi:10.1016/j.compag.2006.12.007
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta revista se publica bajo una licencia de Creative Commons Reconocimiento-NoComercial-CompartirIgual 4.0 Internacional
