Publication
In situ real-time Zooplankton Detection and Classification
| dc.contributor.advisor | Martins, Alfredo Manuel Oliveira | |
| dc.contributor.author | Geraldes, Pedro Nuno de Queirós Salcedas de Carvalho | |
| dc.date.accessioned | 2022-03-02T14:29:47Z | |
| dc.date.available | 2022-03-02T14:29:47Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Zooplankton plays a key-role on Earth’s ecosystem, emerging in the oceans and rivers in great quantities and diversity, making it an important and rather common topic on scientific studies. It serves as prey for many large living beings, such as fish and whales, and helps to keep the food chain stabilized by acting not only as prey to other animals but also as a consumer of phytoplankton, the main producers of oxygen on the planet. Zooplankton are also good indicators of environmental changes, such as global warming or rapid fluctuations in carbon dioxide in the atmosphere, since their abundance and existence is dependent on many environmental factors that indicate such changes. Not only is it important to study the numbers of zooplankton in the water masses, but also to know of what different species these numbers are composed of, as different species can provide information of different environmental attributes. In this thesis a possible solution for the zooplankton in situ detection and classification problem in real-time is proposed using a portable deep learning approach based on CNNs (Convolutional Neural Networks) deployed on INESC TEC’s MarinEye system. The proposed solution makes use of two different CNNs, one for the detection problem and another for the classification problem, running in MarinEye’s plankton imaging system, and portability is guaranteed by the use of the Movidius™ Neural Compute Stick as the deep learning motor in the hardware side. The software was implemented as a ROS node, which guarantees not only portability but facilitates communication between the imaging system and other MarinEye’s modules. | pt_PT |
| dc.description.abstract | O zooplâncton representa um papel fundamental no ecossistema do planeta, surgindo nos oceanos e rios em grandes quantidades numa elevada diversidade de espécies, sendo um objecto de estudo comum em publicações e artigos produzidos pela comunidade científica. A sua importância vem de entre outros factores do facto de ser a principal fonte de alimento de uma grande parte da vida marinha, desde pequenos peixes a baleias, e de ser um grande consumidor de fitoplâncton, a principal fonte de oxigénio do planeta. O zooplâncton é também um bom indicador de alterações ambientais, como o aquecimento global ou variações rápidas na quantidade de dióxido de carbono na atmosfera, uma vez que a sua abundância depende de diversos factores ambientais relacionados com tais mudanças, sendo não só importante perceber em que quantidades existe nas massas de água do planeta, mas também por que diferentes espécies está distribuído. Nesta tese é apresentada uma possível solução para a deteção e classificação de zooplâncton in situ e em tempo real, recorrendo a uma abordagem facilmente portável de Deep Learning, baseada em Redes Neuronais Convolucionais implementado no sistema MarinEye do INESC TEC. A solução proposta faz uso de duas arquitecturas de redes diferentes, uma dedicada à tarefa de deteção do zooplâncton, e outra dedicada `a sua classificação, implementadas no módulo de aquisição de imagens de plâncton do sistema MarinEye. A portabilidade e flexibilidade do sistema foi garantida através do uso da Movidius™ Neural Compute Stick como motor de deep learning, assim como da implementação do software como um nó de ROS, que garante não só a portabilidade do sistema, como também permite uma facilidade de comunicação entre os diferentes módulos do MarinEye. | pt_PT |
| dc.identifier.tid | 202936830 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10400.22/20096 | |
| dc.language.iso | eng | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | pt_PT |
| dc.subject | Zooplankton | pt_PT |
| dc.subject | MarinEye | pt_PT |
| dc.subject | Object detection | pt_PT |
| dc.subject | Image classification | pt_PT |
| dc.subject | Deep Learning | pt_PT |
| dc.subject | Convolutional Neural Networks | pt_PT |
| dc.subject | Movidius™ Neural Compute Stick | pt_PT |
| dc.subject | Zooplâncton | pt_PT |
| dc.subject | Deteção de objectos | pt_PT |
| dc.subject | Classificação de imagens | pt_PT |
| dc.subject | Redes Neurais Convolucionais | pt_PT |
| dc.title | In situ real-time Zooplankton Detection and Classification | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | openAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Mestrado em Engenharia Eletrotécnica e de Computadores - Sistemas Autónomos | pt_PT |