Deep Learning aplicat a la identificació i mesura automàtica

Abstract

El present projecte s’ha realitzat per a desenvolupar un model de detecció d’objectes en imatges de capses d’escamarlans provinents de llotges. A les imatges es poden observar capses amb escamarlans en diferents posicions i quantitat a cada una de les fotografies. Per al model s’ha aprofitat la xarxa neuronal Faster R-CNN [1] i la llibreria Tensorflow [2]. Excepte alguna puntualitat que s’ha executat de manera local, la resta del treball s’ha dut a terme amb l’eina Google Colab. Per a la construcció del DataSet s’han analitzat les 1252 imatges proporcionades pel tutor d’aquest treball i s’ha realitzat una selecció de 242 per al posterior etiquetatge i composició del DataSet. La selecció s’ha realitzat en funció d’una sèrie de criteris que seran exposats al llarg d’aquest treball. L’etiquetatge s’ha fet utilitzant l’eina de codi obert anomenada Labelme [3] on s’ha procedit a realitzar l’etiquetatge de cada una de les imatges escollides i s’ha etiquetat cadascun dels escamarlans en funció de la seva posició a la imatge. Al treball s’aprofundirà més en les cinc possibles etiquetes que podia tenir un escamarlà. Posteriorment, s’ha realitzat un data augmentation per a poder disposar de més quantitat d’imatges per a l’entrenament del model. Per a això, s’ha aprofitat la llibreria especifica per a aquestes tasques anomenada imgaug [4]. De cada una de les imatges originals ha estat possible crear més gracies a diverses transformacions que ofereix la llibreria. Desprès, s’ha passat a la realització dels entrenaments, en aquest cas, s’han realitzat dos entrenaments, un únicament amb les imatges originals i un altre amb totes les imatges obtingudes del data augmentation. Això, per a realitzar una comparativa i veure quin model és més eficaç. Per a la comparativa dels models s’han utilitzat algunes mètriques que s’exposaran al llarg d’aquest treball. Aquestes mètriques s’han calculat utilitzant una llibreria anomenada scikit- learn [5]. Els resultats obtinguts han estat satisfactoris per als dos entrenaments obtenen grans resultats en les mètriques calculades. També s’ha realitzat un anàlisis qualitatiu, amb imatges no etiquetades degut al excessiu número d’escamarlans a les imatges, i els resultats també han estat bons. Finalment, s’ha realitzat un estudi econòmic amb totes les despeses que ha tingut la realització d’aquest Treball de Final de Màster, a més, d’un estudi ambiental amb la quantitat d’emissions que s’han emès per poder dur a terme aquest projecte