| TÃtulo : |
Machine Learning in Aquaculture : Hunger Classification of Lates calcarifer |
| Tipo de documento: |
documento electrónico |
| Autores: |
Mohd Razman, Mohd Azraai, ; P. P. Abdul Majeed, Anwar, ; Muazu Musa, Rabiu, ; Taha, Zahari, ; Susto, Gian-Antonio, ; Mukai, Yukinori, |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasia] : Springer |
| Fecha de publicación: |
2020 |
| Número de páginas: |
VI, 60 p. |
| ISBN/ISSN/DL: |
978-981-1522376-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Idioma : |
Inglés (eng) |
| Palabras clave: |
Cultura animal Inteligencia Computacional Simulación por ordenador Procesamiento de la señal Ciencia Animal Modelado por computadora Procesamiento de señales voz e imágenes |
| Clasificación: |
636 |
| Resumen: |
Este libro destaca la asociación fundamental entre la acuicultura y la ingenierÃa en la clasificación del comportamiento del hambre de los peces mediante técnicas de aprendizaje automático. Comprender los factores subyacentes que afectan el crecimiento de los peces es esencial, ya que tienen implicaciones para una mayor productividad en las piscifactorÃas. Las técnicas de visión por computadora y aprendizaje automático permiten cuantificar la percepción subjetiva del comportamiento del hambre y asà permitir que se proporcionen alimentos según sea necesario. El libro analiza el marco conceptual del seguimiento del movimiento, el horario de alimentación y los clasificadores de predicción para clasificar el estado de hambre, y propone un sistema que comprende un sistema de alimentación automatizado, un módulo de procesamiento de imágenes y clasificadores de aprendizaje automático. Además, el sistema sustituye las complejas técnicas de modelado convencionales por un enfoque robusto de inteligencia artificial. Los hallazgos presentados son de interés para investigadores, piscicultores y tecnólogos en acuicultura que deseen obtener información sobre la productividad de los peces y su comportamiento. |
| Nota de contenido: |
1 Introduction -- 2 Monitoring and feeding integration of demand feeder systems -- 3 Image processing features extraction on fish behaviour -- 4 Time-series identification of fish feeding behaviour. |
| Tipo de medio : |
Computadora |
| Summary : |
This book highlights the fundamental association between aquaculture and engineering in classifying fish hunger behaviour by means of machine learning techniques. Understanding the underlying factors that affect fish growth is essential, since they have implications for higher productivity in fish farms. Computer vision and machine learning techniques make it possible to quantify the subjective perception of hunger behaviour and so allow food to be provided as necessary. The book analyses the conceptual framework of motion tracking, feeding schedule and prediction classifiers in order to classify the hunger state, and proposes a system comprising an automated feeder system, image-processing module, as well as machine learning classifiers. Furthermore, the system substitutes conventional, complex modelling techniques with a robust, artificial intelligence approach. The findings presented are of interest to researchers, fish farmers, and aquaculture technologist wanting to gain insights into the productivity of fish and fish behaviour. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
Machine Learning in Aquaculture : Hunger Classification of Lates calcarifer [documento electrónico] / Mohd Razman, Mohd Azraai, ; P. P. Abdul Majeed, Anwar, ; Muazu Musa, Rabiu, ; Taha, Zahari, ; Susto, Gian-Antonio, ; Mukai, Yukinori, . - 1 ed. . - Singapore [Malasia] : Springer, 2020 . - VI, 60 p. ISBN : 978-981-1522376-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés ( eng)
| Palabras clave: |
Cultura animal Inteligencia Computacional Simulación por ordenador Procesamiento de la señal Ciencia Animal Modelado por computadora Procesamiento de señales voz e imágenes |
| Clasificación: |
636 |
| Resumen: |
Este libro destaca la asociación fundamental entre la acuicultura y la ingenierÃa en la clasificación del comportamiento del hambre de los peces mediante técnicas de aprendizaje automático. Comprender los factores subyacentes que afectan el crecimiento de los peces es esencial, ya que tienen implicaciones para una mayor productividad en las piscifactorÃas. Las técnicas de visión por computadora y aprendizaje automático permiten cuantificar la percepción subjetiva del comportamiento del hambre y asà permitir que se proporcionen alimentos según sea necesario. El libro analiza el marco conceptual del seguimiento del movimiento, el horario de alimentación y los clasificadores de predicción para clasificar el estado de hambre, y propone un sistema que comprende un sistema de alimentación automatizado, un módulo de procesamiento de imágenes y clasificadores de aprendizaje automático. Además, el sistema sustituye las complejas técnicas de modelado convencionales por un enfoque robusto de inteligencia artificial. Los hallazgos presentados son de interés para investigadores, piscicultores y tecnólogos en acuicultura que deseen obtener información sobre la productividad de los peces y su comportamiento. |
| Nota de contenido: |
1 Introduction -- 2 Monitoring and feeding integration of demand feeder systems -- 3 Image processing features extraction on fish behaviour -- 4 Time-series identification of fish feeding behaviour. |
| Tipo de medio : |
Computadora |
| Summary : |
This book highlights the fundamental association between aquaculture and engineering in classifying fish hunger behaviour by means of machine learning techniques. Understanding the underlying factors that affect fish growth is essential, since they have implications for higher productivity in fish farms. Computer vision and machine learning techniques make it possible to quantify the subjective perception of hunger behaviour and so allow food to be provided as necessary. The book analyses the conceptual framework of motion tracking, feeding schedule and prediction classifiers in order to classify the hunger state, and proposes a system comprising an automated feeder system, image-processing module, as well as machine learning classifiers. Furthermore, the system substitutes conventional, complex modelling techniques with a robust, artificial intelligence approach. The findings presented are of interest to researchers, fish farmers, and aquaculture technologist wanting to gain insights into the productivity of fish and fish behaviour. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
|  |
Crear una solicitud de compra Refinar búsqueda
