Search

The dataset contains images of the discarded fish on the conveyor belt and annotations. Annotations are prepared in YOLO format, i.e. separate text files, containing fish species label, object bounding box annotation, weight and occlusion level. Annotation per individual fish is written in a separate row of the file. Additionally, we provide weight file (.pt) for the best performing Detection-Weight2 model.

Sustainable management of aquatic resources requires efficient acquisition and processing of vast amounts of information to check the compliance of fishing activities with the regulations. Recent implementation of the European Common Fisheries Policy Landing Obligation implies the declaration of all listed species and sizes at the harbour. To comply with such regulation, fishers need to collect and store all discards onboard the vessel, which results in additional processing time, labour demands, and costs. In this study, we presented a system that allowed image-based documentation of discards on the conveyor belt. We presented a novel integrated end-to-end simultaneous detection and weight prediction pipeline based on the state-of-the-art deep convolutional neural network. The performance of the network was evaluated per species and under different occlusion levels. The resulting model was able to detect discards with a macro F1-score of 94.10% and a weighted F1-score of 93.88%⁠. Weight of the fish could be predicted with mean absolute error, mean absolute percentage error, and root squared error of 29.74 (g), 23.78%⁠, and 44.69 (g), respectively. Additionally, we presented a new dataset containing images of fish, which, unlike common object detection datasets, also contains weight measurements and occlusion level per individual fish.

High-throughput phenotyping is playing an increasingly important role in many areas of agriculture. Breeders will use it to obtain values for the traits of interest so that they can estimate genetic value and select promising varieties, growers may be interested in having predictions of yield well in advance of the actual harvest. In most phenotyping applications, image analysis plays an important role, drastically reducing the dependence on manual labor while being non-destructive. An automatic phenotyping system combines a reliable acquisition system, a high-performance segmentation algorithm for detecting fruits in individual images, and a registration algorithm that brings the images (and the corresponding detected plants or plant components) into a coherent spatial reference frame. Recently, significant advances have been made in the fields of robotics, image registration, and especially image segmentation, which each individually have improved the prospect of developing a fully integrated automatic phenotyping system. However, so far no complete phenotyping systems have been reported for routine use in a production environment. This work catalogs the outstanding issues that remain to be resolved by describing a prototype phenotyping system for a production tomato greenhouse, for many reasons a challenging environment.

Data for training and evaluation of a method for detection and counting demersal fish species in complex, cluttered and occluded environments that can be installed on the conveyor belts of fishing vessels. The data mainly exists of images of fish on a conveyer belt with the corresponding annotations. This was used to train a neural network (YOLOv3) to detect and classify fish species. Because each fish is visible in multiple images, the fishes were tracked over consecutive images and the total number of fish per specie was counted. These counts were compared to human review.

Boeren kijken al een aantal jaren met een schuin oog naar robots om de saaie, herhaaldelijke en soms zware taken van hen over te nemen. Aardappelopslagbestrijding, een relatief simpele maar saaie taak, is één van de taken die boeren graag aan een autonome robot zouden overdragen. Robots om deze taak uit te voeren moesten telkens opgeven omdat het detecteren van aardappelopslagplanten in een suikerbietengewas voor de computer erg lastig bleek. Door state-of-the-art deep learning technologieën toe te passen is WUR er nu wel in geslaagd een robuust detectiealgoritme te bouwen. Vanuit een demo op de kleine Husky robot is gewerkt naar een 3 meter brede, autonome toepassing op de Robotti robot. De rekenintensieve operatie van het herkennen van aardappelopslag- en suikerbietenplanten werd hierbij in de cloud uitgevoerd, waarbij state-of-art 5G verbindingstechnieken gebruikt werden om de te analyseren data snel genoeg in de cloud en terug te kunnen krijgen om tijdig een actuatie te kunnen uitvoeren op de robot. Door nauwe samenwerking tussen KPN en WUR is een herkenningsalgoritme voor aardappel- en suikerbietenplanten ontwikkeld dat in een KPN-cloud omgeving kan draaien. Terwijl de robot met 4km/u over het veld reed werden de foto’s via 5G naar deze cloud gestuurd en werden de analyse-resultaten teruggestuurd naar de robot binnen 0.25 seconde. De spuit-unit met spuitdoppen om de 0.1 m werd daarop door de computer geïnstrueerd welke spuitdop wanneer geactiveerd moest worden om de gedetecteerde aardappelopslagplant te bespuiten. Tijdens toepassing van het algoritme in augustus werden 96% van de aardappelopslagplanten en 3% van de suikerbietenplanten geraakt. Hoewel deze getallen het systeem al zeer dicht richting praktijkintroductie brengen zal het aantal geraakte suikerbieten nog om laag moeten om boeren massaal te overtuigen van de toepasbaarheid van het systeem. Daar waar 5G genoemd wordt in dit verslag betekent dit het gebruik van pré 5G technologie met 5G capaciteit