Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/31689| Título: | Monitoramento de peixes-zebra: rastreamento a partir de vídeos |
| Título(s) alternativo(s): | Zebrafish monitoring: tracking from videos |
| Autor(es): | Wustro, Bruno Signori |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Detectores Redes neurais (Computação) Processamento de imagens Detectors Neural networks (Computer science) Image processing |
| Data do documento: | 20-Jun-2023 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | WUSTRO, Bruno Signori. Monitoramento de peixes-zebra: rastreamento a partir de vídeos. 2023. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2023. |
| Resumo: | Este estudo enfoca o desenvolvimento de um sistema de rastreamento robusto para peixeszebra (Danio rerio), espécie amplamente utilizada em pesquisas científicas, aplicando técnicas de visão computacional, como o detector de objetos YOLO. Abordando as limitações de métodos tradicionais e a necessidade de controles rígidos do ambiente nos sistemas automáticos existentes. O trabalho propõe uma solução mais versátil e menos dependente de condições ambientais. Para a criação do sistema, uma análise aprofundada de literatura foi realizada, discutindo diversos métodos de rastreamento e a evolução das redes neurais convolucionais. A metodologia empregada envolveu a coleta de vídeos de peixes-zebra em variados ambientes, a rotulação manual das posições dos peixes, o treinamento da base do YOLOv4 e a aplicação de data augmentation para aprimorar a robustez do modelo. Os resultados indicam que a rotulação correta e a aplicação de técnicas de data augmentation melhoram a acurácia do modelo. |
| Abstract: | This study focuses on the development of a robust zebrafish (Danio rerio) tracking system, a species widely used in scientific research, by applying computer vision techniques, such as the YOLO object detector. It addresses the limitations of traditional methods and the need for strict environmental controls in existing automatic systems. The work proposes a more versatile solution, less dependent on environmental conditions. For the system creation, an in-depth literature review was conducted, discussing various tracking methods and the evolution of convolutional neural networks. The employed methodology involved collecting videos of zebrafish in various environments, manually labeling the fish positions, training the YOLOv4 base, and applying data augmentation to enhance the model’s robustness. The results indicate that accurate labeling and the application of data augmentation techniques improve the model’s accuracy. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/31689 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| monitoramentopeixezebrarastreamentovideos.pdf | 2,73 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
