REAL-TIME DETECTION AND CLASSIFICATION OF FISH IN UNDERWATER ENVIRONMENT USING YOLOV5: A COMPARATIVE STUDY OF DEEP LEARNING ARCHITECTURES

Rizki Multajam; Ahmad Faisal Mohamad Ayob; W.S. Mada Sanjaya; Aceng Sambas; Volodymyr Rusyn; Andrii Samila

doi:10.35784/iapgos.6022

PDF (angielski)

Opublikowane: 2024-09-30

DOI: https://doi.org/10.35784/iapgos.6022

Numer Tom 14 Nr 3 (2024)

TEORETYCZNE PODEJŚCIE DO OKREŚLANIA EMISYJNOŚCI MATERIAŁÓW STAŁYCH I JEJ PORÓWNANIE Z BADANIAMI EKSPERYMENTALNYMI NA PRZYKŁADZIE STALI PROSZKOWEJ 316L
Oleksandr Vasilevskyi, Michael Cullinan, Jared Allison

5-8
SYSTEM INFORMACYJNY DO WYKRYWANIA PARAMETRÓW NIEBEZPIECZNYCH OBIEKTÓW PRZEMYSŁOWYCH NA PODSTAWIE TECHNOLOGII GEOINFORMACYJNYCH
Oleg Barabahs, Olha Svynchuk, Olena Bandurka, Oleh Ilin

9-14
OKRESOWE FUNKCJE ATEB I METODA VAN DER POLA DO KONSTRUOWANIA ROZWIĄZAŃ DWUWYMIAROWYCH NIELINIOWYCH MODELI OSCYLACJI CIAŁ SPRĘŻYSTYCH
Yaroslav Romanchuk, Mariia Sokil, Leonid Polishchuk

15-20
WYKORZYSTANIE REGRESJI PROCESU GAUSSA DO IDENTYFIKACJI NIELINIOWYCH PROCESÓW SEPARACJI MAGNETYCZNEJ
Oleksandr Volovetskyi

21-28
DWUWYMIAROWA MAPA HIPERCHAOTYCZNA DLA CHAOTYCZNYCH OSCYLACJI
Oleh Krulikovskyi, Serhii Haliuk, Ihor Safronov, Valentyn Lesinskyi

29-34
NEUROBIOLOGICZNE WŁAŚCIWOŚCI STRUKTURY SIECI RÓWNOLEGŁO-HIERARCHICZNEJ I JEJ WYKORZYSTANIE DO ROZPOZNAWANIA WZORCÓW
Leonid Timchenko, Natalia Kokriatskaia, Volodymyr Tverdomed, Anatolii Horban, Oleksandr Sobovyi, Liudmyla Pogrebniak, Nelia Burlaka, Yurii Didenko, Maksym Kozyr, Ainur Kozbakova

35-38
MODELE FAŁSZYWEGO I POPRAWNEGO WYKRYWANIA SYGNAŁÓW WYCIEKU INFORMACJI Z EKRANÓW MONITORÓW PRZEZ WYSPECJALIZOWANE ŚRODKI TECHNICZNE WROGIEGO WYWIADU
Dmytro Yevgrafov, Yurii Yaremchuk

39-42
USPRAWNIENIE CYFROWEGO KORELACYJNO-INTERFEROMETRYCZNEGO USTALANIA KIERUNKU ZA POMOCĄ PRZESTRZENNEGO SYGNAŁU ANALITYCZNEGO
Nurzhigit Smailov, Vitaliy Tsyporenko, Akezhan Sabibolda, Valentyn Tsyporenko, Askar Abdykadyrov, Assem Kabdoldina, Zhandos Dosbayev, Zhomart Ualiyev, Rashida Kadyrova

43-48
MODEL MATEMATYCZNY I STRUKTURA SIECI NEURONOWEJ DO WYKRYWANIA CYBERATAKÓW NA SYSTEMY TELEINFORMATYCZNE I KOMUNIKACYJNE
Lubov Zahoruiko, Tetiana Martianova, Mohammad Al-Hiari, Lyudmyla Polovenko, Maiia Kovalchuk, Svitlana Merinova, Volodymyr Shakhov, Bakhyt Yeraliyeva

49-55
METODA TWORZENIA SYSTEMU SKRÓCONEGO KODU POZYCYJNEGO DLA PRZEKSZTAŁCONYCH OBRAZÓW WIDEO
Volodymyr Barannik, Roman Onyshchenko, Gennady Pris, Mykhailo Babenko, Valeriy Barannik, Vitalii Shmakov, Ivan Pantas

56-60
OPARTE NA LICZBACH Z MODELOWANIE GRUPOWEGO PODEJMOWANIA DECYZJI DOTYCZĄCYCH WYBORU DOSTAWCÓW W SYSTEMACH PRODUKCYJNYCH
Kamala Aliyeva

61-67
OPTYMALIZACJA INTELIGENTNIE STEROWANEGO BEZMOSTKOWEGO DODATNIEGO PRZEKSZTAŁTNIKA LUO DLA POJAZDÓW ELEKTRYCZNYCH O MAŁEJ POJEMNOŚCI
Rangaswamy Balamurugan, Ramasamy Nithya

68-70
ZMODYFIKOWANY VGG16 DO DOKŁADNEGO WYKRYWANIA GUZÓW MÓZGU W OBRAZACH MRI
Katuri Rama Krishna, Mohammad Arbaaz, Surya Naga Chandra Dhanekula, Yagna Mithra Vallabhaneni

71-75
EKG OPARTE NA IOT: HYBRYDOWE PODEJŚCIE CNN-BILSTM DO KLASYFIKACJI ZAWAŁÓW MIĘŚNIA SERCOWEGO
Abdelmalek Makhir, My Hachem El Yousfi Alaoui, Larbi Bellarbi, Abdelilah Jilbab

76-80
ZINTEGROWANY MODEL HYBRYDOWY DO WYKRYWANIA CHORÓB PŁUC Z WYKORZYSTANIEM GŁĘBOKIEGO UCZENIA SIĘ
Budati Jaya Lakshmi Narayana, Gopireddy Krishna Teja Reddy, Sujana Sri Kosaraju, Sirigiri Rajeev Choudhary

81-85
MAPOWANIE POLARYZACYJNO-KORELACYJNE OBRAZÓW MIKROSKOPOWYCH TKANEK BIOLOGICZNYCH O RÓŻNEJ STRUKTURZE MORFOLOGICZNEJ
Nataliia Kozan, Oleksandr Saleha, Olexander Dubolazov, Yuriy Ushenko, Iryna Soltys, Oleksandr Ushenko, Oleksandr Olar, Victor Paliy, Saule Smailova

86-90
WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA
Rizki Multajam, Ahmad Faisal Mohamad Ayob, W.S. Mada Sanjaya, Aceng Sambas, Volodymyr Rusyn, Andrii Samila

91-95
WYKRYWANIE CHWASTÓW NA MARCHWI PRZY UŻYCIU KONWOLUCYJNEJ SIECI NEURONOWEJ I INTERNETU RZECZY OPARTEGO NA SMARTFONIE
Lintang Patria, Aceng Sambas, Ibrahim Mohammed Sulaiman, Mohamed Afendee Mohamed, Volodymyr Rusyn, Andrii Samila

96-100
ANALIZA I BADANIE PARAMETRÓW WALCOWANIA ZWOJÓW NA POCHYŁEJ PŁASZCZYŹNIE
Larysa Gumeniuk, Lesya Fedik, Volodymyr Didukh, Pavlo Humeniuk

101-104
ANALIZA METOD REKOMENDACJI TREŚCI W SERWISACH INFORMACYJNYCH
Oleksandr Necheporuk, Svitlana Vashchenko, Nataliia Fedotova, Iryna Baranova, Yaroslava Dehtiarenko

105-108
OCENA WYDAJNOŚCI AKADEMICKIEJ STUDENTÓW W NAUCE ONLINE ZA POMOCĄ TECHNIK UCZENIA MASZYNOWEGO
Atika Islam, Faisal Bukhari, Muhammad Awais Sattar, Ayesha Kashif

109-117
ENTROPIJNA OCENA WPŁYWU EDUKACJI NA ROZWÓJ GOSPODARCZY
Yelyzaveta Mykhailova, Nataliia Savina, Volodymyr Lytvynenko, Stanislav Mykhailov

118-122
SYSTEM ІNFORMATYCZNY DO OCENY POZIOMU ZARZĄDZANIA KAPITAŁEM LUDZKIM
Anzhelika Azarova, Larysa Azarova, Iurii Krak, Olga Ruzakova, Veronika Azarova

123-128
ZDECENTRALIZOWANA PLATFORMA FINANSOWANIA PROJEKTÓW CHARYTATYWNYCH
Iryna Segeda, Vladyslav Kotsiuba, Oleksii Shushura, Viktoriia Bokovets, Natalia Koval, Aliya Kalizhanova

129-134

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Rizki Multajam

r.multajam@gmail.com

Universiti Malaysia Terengganu

Ahmad Faisal Mohamad Ayob

ahmad.faisal@umt.edu.my

Universiti Malaysia Terengganu

W.S. Mada Sanjaya

madasws@gmail.com

Universitas Islam Negeri Sunan Gunung Djati

Aceng Sambas

acengsambas@unisza.edu.my

Sultan Zainal Abidin University

Volodymyr Rusyn

rusyn_v@ukr.net

Yuriy Fedkovych Chernivtsi National University, Department of Radio Engineering and Information

https://orcid.org/0000-0001-6219-1031

Andrii Samila

a.samila@chnu.edu.ua

Yuriy Fedkovych Chernivtsi National University

Abstrakt

Niniejszy artykuł bada metody wykrywania i klasyfikacji ryb jako integralną część podwodnych systemów monitorowania środowiska. Wykorzystując innowacyjne podejście, badania koncentrują się na opracowaniu metod w czasie rzeczywistym do bardzo dokładnego wykrywania i klasyfikacji ryb. Wprowadzenie zaawansowanych technologii, takich jak YOLO (You Only Look Once) V5, stanowi podstawę wydajnego i responsywnego systemu. Badanie ocenia również różne podejścia w kontekście głębokiego uczenia się, aby porównać wydajność i dokładność wykrywania i klasyfikacji ryb. Oczekuje się, że wyniki tych badań przyczynią się do rozwoju bardziej zaawansowanych i wydajnych systemów monitorowania zbiorników wodnych w celu zrozumienia podwodnych ekosystemów i wysiłków na rzecz ochrony przyrody.

Słowa kluczowe:

deep learning, YOLOv5, metody czasu rzeczywistego, ONNX, automatyczne wykrywanie i klasyfikacja ryb

Bibliografia

[1] Abdul Aziz M. F. et al.: Development of Smart Sorting Machine using artificial intelligence for Chili Fertigation Industries. Journal of Automation, Mobile Robotics and Intelligent Systems 28, 2022, 44–52 [https://doi.org/10.14313/jamris/4-2021/26].

[2] Ayob A. et al.: Analysis of pruned neural networks (mobilenetv2-yolo v2) for underwater object detection. 11th National Technical Seminar on Unmanned System Technology 2019 NUSYS’19, Springer Singapore, Singapore, 2021, 87–98.

[3] Boudhane M., Benayad N.: Underwater Image Processing Method for Fish Localization and Detection in Submarine Environment. Journal of Visual Communication and Image Representation 39, 2016, 226–238 [https://doi.org/10.1016/j.jvcir.2016.05.017].

[4] Brownscombe J. W. et al.: The Future of Recreational Fisheries: Advances in Science, Monitoring, Management, and Practice. Fisheries Research 211, 2019, 247–255 [https://doi.org/10.1016/j.fishres.2018.10.019].

[5] Chen PH. C. et al.: An Augmented Reality Microscope with Real-time Artificial Intelligence Integration for Cancer Diagnosis. Nature Medicine 25(9), 2019, 1453–1457 [https://doi.org/10.1038/s41591-019-0539-7].

[6] Du J.: Understanding of Object Detection Based on CNN Family and YOLO. Journal of Physics: Conference Series 1004, 2018, 012029 [https://doi.org/10.1088/1742-6596/1004/1/012029].

[7] Fan F.-L. et al.: On Interpretability of Artificial Neural Networks: A Survey. IEEE Transactions on Radiation and Plasma Medical Sciences 5(6), 2021, 741–760 [https://doi.org/10.1109/trpms.2021.3066428].

[8] Hong S. et al.: Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review. Computers in Biology and Medicine 122, 2020, 103801

[https://doi.org/10.1016/j.compbiomed.2020.103801].

[9] Hu J. et al.: Real-time Nondestructive Fish Behavior Detecting in Mixed Polyculture System Using Deep-learning and Low-cost Devices. Expert Systems With Applications 178, 2021, 115051 [https://doi.org/10.1016/j.eswa.2021.115051].

[10] Iqbal M. A. et al.: Automatic Fish Species Classification Using Deep Convolutional Neural Networks. Wireless Personal Communications 116(2), 2019, 1043–1053 [https://doi.org/10.1007/s11277-019-06634-1].

[11] Isabelle D. A., Westerlund M.: A Review and Categorization of Artificial Intelligence-Based Opportunities in Wildlife, Ocean and Land Conservation. Sustainability 14(4), 2022, 1979 [https://doi.org/10.3390/su14041979].

[12] Ismail N., Owais A. M.: Real-time Visual Inspection System for Grading Fruits Using Computer Vision and Deep Learning Techniques. Information Processing in Agriculture 9(1), 2022, 24–37 [https://doi.org/10.1016/j.inpa.2021.01.005].

[13] Jalal A. et al.: Fish Detection and Species Classification in Underwater Environments Using Deep Learning with Temporal Information. Ecological Informatics 57, 2020, 101088 [https://doi.org/10.1016/j.ecoinf.2020.101088].

[14] Jing L. et al.: Video You Only Look Once: Overall Temporal Convolutions for Action Recognition. Journal of Visual Communication and Image Representation 52, 2018, 58–65 [https://doi.org/10.1016/j.jvcir.2018.01.016].

[15] Khan A. N. et al.: Sectorial Study of Technological Progress and CO2 Emission: Insights From a Developing Economy. Technological Forecasting and Social Change 151, 2020, 119862 [https://doi.org/10.1016/j.techfore.2019.119862].

[16] Khokher M. R. et al.: Early Lessons in Deploying Cameras and Artificial Intelligence Technology for Fisheries Catch Monitoring: Where Machine Learning Meets Commercial Fishing. Canadian Journal of Fisheries and Aquatic Sciences 79(2), 2022, 257–266 [https://doi.org/10.1139/cjfas-2020-0446].

[17] Klapp I. et al.: Ornamental Fish Counting by Non-imaging Optical System for Real-time Applications. Computers and Electronics in Agriculture 153, 2018, 126–133 [https://doi.org/10.1016/j.compag.2018.08.007].

[18] Liu H., Lang B.: Machine Learning and Deep Learning Methods for Intrusion Detection Systems: A Survey. Applied Sciences 9(20), 2019, 4396 [https://doi.org/10.3390/app9204396].

[19] Mada Sanjaya W. S.: Deep Learning Citra Medis Berbasis Pemrograman Python. Bolabot, 2023.

[20] Redmon J. et al.: You Only Look Once: Unified, Real-Time Object Detection. arXiv.org, 8 June 2015, arxiv.org/abs/1506.02640.

[21] Reynard D., Shirgaokar M.: Harnessing the Power of Machine Learning: Can Twitter Data Be Useful in Guiding Resource Allocation Decisions During a Natural Disaster? Transportation Research Part D: Transport and Environment 77, 2019, 449–463 [https://doi.org/10.1016/j.trd.2019.03.002].

[22] Rico-Díaz Á. J. et al.: An Application of Fish Detection Based on Eye Search With Artificial Vision and Artificial Neural Networks. Water 12(11), 2020, 3013 [https://doi.org/10.3390/w12113013].

[23] Sanjaya W. S. et al.: The Design of Face Recognition and Tracking for Human-robot Interaction. 2nd International Conferences on Information Technology, Information Systems and Electrical Engineering – ICITISEE). IEEE, 2017 [https://doi.org/10.1109/icitisee.2017.8285519].

[24] Shafiee M. J. et al.: Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video. arXiv.org, 18 Sept. 2017, arxiv.org/abs/1709.05943.

[25] Unlu E. et al.: Deep Learning-based Strategies for the Detection and Tracking of Drones Using Several Cameras. IPSJ Transactions on Computer Vision and Applications 11(1), 2019 [https://doi.org/10.1186/s41074-019-0059-x].

[26] Wang D. et al.: UAV Environmental Perception and Autonomous Obstacle Avoidance: A Deep Learning and Depth Camera Combined Solution. Computers and Electronics in Agriculture 175, 2020, 105523 [https://doi.org/10.1016/j.compag.2020.105523].

[27] Xiu L. et al.: Fast Accurate Fish Detection and Recognition of Underwater Images With Fast R-CNN. OCEANS 2015 – MTS/IEEE Washington. IEEE, 2015 [https://doi.org/10.23919/oceans.2015.7404464].

[28] Zhang L. et al.: Automatic Fish Counting Method Using Image Density Grading and Local Regression. Computers and Electronics in Agriculture 179, 2020, 105844 [https://doi.org/10.1016/j.compag.2020.105844].

[29] Zhao Zhong-Qiu et al.: Object Detection With Deep Learning: A Review. IEEE Transactions on Neural Networks and Learning Systems 30(11), 2019, 3212–3232 [https://doi.org/10.1109/tnnls.2018.2876865].

WYKRYWANIE I KLASYFIKACJA RYB W CZASIE RZECZYWISTYM W ŚRODOWISKU PODWODNYM PRZY UŻYCIU YOLOV5: BADANIE PORÓWNAWCZE ARCHITEKTUR GŁĘBOKIEGO UCZENIA. (2024). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 14(3), 91-95. https://doi.org/10.35784/iapgos.6022

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 3 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja