Lightweight Fish Classification Model for Sustainable Marine Management: Indonesian Case

要約

水産物に対する莫大な需要は、海洋資源の搾取を招き、絶滅寸前の種もある。特に、乱獲は持続可能な海洋開発における主要な問題の一つである。海洋資源の保護と持続可能な漁業のために、本研究では、最先端の機械学習を用いて保護魚種の識別を支援する魚類分類技術を発展させることを提案する。MobileNetモデルをカスタム修正し、限られたハードウェアで動作可能なM-MobileNetと呼ばれる軽量分類器を設計する。研究の一環として、インドネシア群島の海域で見られる魚の画像37,462枚からなるラベル付きデータセットを作成した。提案モデルは、捕獲された魚の画像を魚種に分類し、消費可能かどうかの推奨を与えるために、データセット上で学習される。我々の修正MobileNetモデルは、約42%のGTX 860Mユーティリティを使用して、トップレイヤーパラメータの50%のみを使用し、魚の分類と消費可能性の判断において最大97%の精度を達成している。多くの漁船で利用可能な計算能力が限られていることを考慮すると、提案モデルは現場での魚の分類に実用的なソリューションを提供します。さらに、提案モデルを複数の漁船に同期して実装することで、異なる魚種の移動と位置に関する貴重な情報を提供することができる。

要約(オリジナル)

The enormous demand for seafood products has led to exploitation of marine resources and near-extinction of some species. In particular, overfishing is one the main issues in sustainable marine development. In alignment with the protection of marine resources and sustainable fishing, this study proposes to advance fish classification techniques that support identifying protected fish species using state-of-the-art machine learning. We use a custom modification of the MobileNet model to design a lightweight classifier called M-MobileNet that is capable of running on limited hardware. As part of the study, we compiled a labeled dataset of 37,462 images of fish found in the waters of the Indonesian archipelago. The proposed model is trained on the dataset to classify images of the captured fish into their species and give recommendations on whether they are consumable or not. Our modified MobileNet model uses only 50\% of the top layer parameters with about 42% GTX 860M utility and achieves up to 97% accuracy in fish classification and determining its consumability. Given the limited computing capacity available on many fishing vessels, the proposed model provides a practical solution to on-site fish classification. In addition, synchronized implementation of the proposed model on multiple vessels can supply valuable information about the movement and location of different species of fish.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL