Título :	Machine Learning in Aquaculture : Hunger Classification of Lates calcarifer
Tipo de documento:	documento electrónico
Autores:	Mohd Razman, Mohd Azraai, Autor ; P. P. Abdul Majeed, Anwar, Autor ; Muazu Musa, Rabiu, Autor ; Taha, Zahari, Autor ; Susto, Gian-Antonio, Autor ; Mukai, Yukinori, Autor
Mención de edición:	1 ed.
Editorial:	Singapore [Malasya] : 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.
Palabras clave:	Cultura animal  Inteligencia Computacional  Simulación por ordenador  Procesamiento de la señal  Ciencia Animal  Modelado por computadora  Procesamiento de señales  voz e imágenes
Índice Dewey:	636 Producción animal (Zootecnia)
Resumen:	Este libro destaca la asociación fundamental entre la acuicultura y la ingeniería 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 piscifactorías. Las técnicas de visión por computadora y aprendizaje automático permiten cuantificar la percepción subjetiva del comportamiento del hambre y así 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Machine Learning in Aquaculture : Hunger Classification of Lates calcarifer [documento electrónico] / Mohd Razman, Mohd Azraai, Autor ; P. P. Abdul Majeed, Anwar, Autor ; Muazu Musa, Rabiu, Autor ; Taha, Zahari, Autor ; Susto, Gian-Antonio, Autor ; Mukai, Yukinori, Autor  . -  1 ed.  . - Singapore [Malasya] : 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.

Palabras clave:	Cultura animal  Inteligencia Computacional  Simulación por ordenador  Procesamiento de la señal  Ciencia Animal  Modelado por computadora  Procesamiento de señales  voz e imágenes
Índice Dewey:	636 Producción animal (Zootecnia)
Resumen:	Este libro destaca la asociación fundamental entre la acuicultura y la ingeniería 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 piscifactorías. Las técnicas de visión por computadora y aprendizaje automático permiten cuantificar la percepción subjetiva del comportamiento del hambre y así 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.
En línea:	https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
Link:	https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i