Study of quantifying fish feeding behavior and counting fish population density

• Autores: Jintao Liu
• Directores de la Tesis: José Fernando Bienvenido Bárcena (dir. tes.)
• Lectura: En la Universidad de Almería ( España ) en 2025
• Idioma: español
• Número de páginas: 165
• Títulos paralelos:
  • Estudio de cuantificación del comportamiento alimenticio de los peces y conteo de la densidad de población de peces
• Tribunal Calificador de la Tesis: Cristina E. Trenzado Romero (presid.) , Francisco Javier Alarcón López (secret.) , Cristina Tomás Almenar (voc.)
• Enlaces
  • Tesis en acceso abierto en: TESEO
• Resumen
  • español

    Con el creciente aumento de la producción de peces en la industria acuícola mundial, el estudio del comportamiento de los mismos y el conteo de cardúmenes ha pasado a ser una rama importante dentro del campo de la investigación del comportamiento animal y su conteo. La estimación cuantitativa en tiempo real y sin contacto del comportamiento de los peces no sólo proporciona datos de apoyo para la gestión de la producción, sino que también ayuda a reducir el impacto ambiental negativo durante el proceso de cultivo. En los últimos años, con la creciente atención al bienestar de los peces, la cuantificación del comportamiento no invasiva y el conteo de cardúmenes han cobrado una importancia cada vez mayor. Este estudio revisa sistemáticamente varios métodos comunes de cuantificación del comportamiento de los peces, resumiendo la literatura de investigación de los últimos 30 años. El enfoque se centra en los avances en las cuatro etapas de la cuantificación del comportamiento: detección, seguimiento, extracción de características y reconocimiento del comportamiento. En particular, las técnicas de cuantificación no invasivas, que combinan visión por computadora, acústica y otros sensores, se están convirtiendo en puntos de interés para la investigación. La introducción de la tecnología de aprendizaje profundo ha proporcionado nuevas oportunidades para el reconocimiento del comportamiento de los peces.

    En el análisis del comportamiento de los peces, la cuantificación del comportamiento alimentario es particularmente importante en el proceso de acuicultura. Ayuda a los piscicultores a alimentar a los peces de manera precisa según sus necesidades reales, reduciendo así los costos de producción. Además, puede prevenir la contaminación del agua causada por la sobrealimentación. Este trabajo propone un modelo, CFFI-Vit, para la clasificación en tres niveles de la intensidad de alimentación en la trucha arcoíris (Oncorhynchus mykiss), basado en una mejora del Vision Transformer. Al reducir el número de bloques de codificación Transformer dentro del modelo y añadir módulos residuales, este enfoque no sólo mejora la precisión en el reconocimiento del comportamiento alimentario, sino que también reduce significativamente la carga computacional en los dispositivos. En el conjunto de prueba, el modelo alcanzó puntuaciones de precisión, recall y F1 superiores al 93%, superando a varios modelos SOTA.

    En el proceso de acuicultura, la estimación de la biomasa de los peces desempeña un papel crucial en la producción pesquera. Una estimación precisa de la biomasa ayuda a los piscicultores a determinar las necesidades generales de la población de peces y a formular planes de alimentación racionales. Por lo tanto, este estudio propone una red de conteo de peces densamente agrupados, llamada Swin-CSRNet. El Front-end de la red ha sido reemplazado por el Swin Transformer. Además, se introduce un módulo de Squeeze-and-Excitation (SE) para mejorar las capacidades de representación de características. Finalmente, se añade un módulo de Fusión MultieScala (MSF) después del Back-end, lo que mejora la capacidad del modelo para capturar información multiescala. Los resultados experimentales muestran que Swin-CSRNet logra un MAE de 11,22; un RMSE de 15,32; un MAPE del 5,18% y un R² de 0,954. Además, en comparación con la red original, Swin-CSRNet reduce el número de parámetros y la complejidad computacional en un 70,17% y un 79,05% respectivamente.

    A través de estos estudios y experimentos, este trabajo proporciona nuevas soluciones y enfoques para la cuantificación del comportamiento de alimentación de los peces y el conteo de peces densamente agrupados en acuicultura. Estas contribuciones no sólo suponen un avance en el proceso de automatización de la acuicultura, sino que también sientan las bases para la futura aplicación del aprendizaje profundo en acuicultura.

    Finalmente, este resumen concluye describiendo la estructura de esta tesis, la cual está dividida en tres partes, de acuerdo con la normativa de la Universidad de Almería para tesis doctorales presentadas en la modalidad de compendio:

    i. El Capítulo 1 describe la estructura general de la tesis e introduce las principales metodologías utilizadas en cada experimento, junto con algunos resultados clave.

    ii. El Capítulo 2 presenta las publicaciones científicas que respaldan el trabajo realizado.

    iii. El Capítulo 3 resume las conclusiones derivadas de los experimentos realizados y proporciona recomendaciones para futuras investigaciones.

  • English

    With the increasing fish production in the global aquaculture industry, the study of fish behavior and fish school counting has gradually become an important branch in the field of animal behavior and counting research.

    Real-time, non-contact quantitative estimation of fish behavior not only provides data support for production management but also helps reduce the negative environmental impact during the farming process. In recent years, with the growing attention to fish welfare, non-invasive behavior quantification and fish school counting have become increasingly important. This study systematically reviews several common methods of fish behavior quantification by summarizing research literature from the past 30 years. The focus is on the progress in the four stages of behavior quantification: detection, tracking, feature extraction, and behavior recognition. In particular, non-invasive quantification techniques that combine machine vision with acoustics and other sensors are becoming research hotspots. The introduction of deep learning technology has provided new opportunities for fish behavior recognition.

    In the analysis of fish behavior, quantifying fish feeding behavior is particularly important in the aquaculture process. It helps farmers feed the fish accurately according to their actual needs, thereby reducing farming costs. Additionally, it can prevent water pollution caused by overfeeding. This paper proposes a model, CFFI-Vit, for the three-level classification of feeding intensity in rainbow trout (Oncorhynchus mykiss), based on an improved Vision Transformer. By reducing the number of Transformer encoder blocks within the model and adding residual modules, this approach not only improves the accuracy of feeding behavior recognition but also significantly reduces the computational load on devices. In the test set, the model achieved accuracy, recall, and F1 scores of over 93%, outperforming several SOTA models.

    In the aquaculture process, estimating the biomass of fish plays a crucial role in fisheries production. Accurate biomass estimation helps farmers determine the overall needs of the fish population and formulate rational feeding plans. Therefore, this paper proposes a dense fish counting network named Swin-CSRNet. The Front-end of the network is replaced with the Swin Transformer. Additionally, a Squeeze-and-Excitation (SE) module is introduced to enhance feature representation capabilities. Finally, a Multi-Scale Fusion (MSF) module is added after the Back-end, which improves the model's ability to capture multi-scale information.

    Experimental results show that Swin-CSRNet achieves an MAE of 11.22, an RMSE of 15.32, a MAPE of 5.18%, and an R² of 0.954. Moreover, compared to the original network, Swin-CSRNet reduces the parameter count and computational complexity by 70.17% and 79.05%, respecti vely. Through these studies and experiments, this paper provides new solutions and approaches for quantifying fish feeding behavior and dense fish counting in aquaculture. These contributions not only advance the automation process of aquaculture to some extent but also lay the groundwork for the future application of deep learning in aquaculture.

    Finally, this summary concludes by describing the structure of this thesis, which is divided into three parts in accordance with the regulations of the University of Almería for Ph.D. theses presented in the compendium modality： i. Chapter 1 outlines the overall structure of the thesis and introduces the main methodologies used in each experiment along with some key results.

    ii. Chapter 2 presents the scientific publications that support the work done.

    iii. Chapter 3 summarizes the conclusions drawn from the experiments conducted and provides recommendations for future research.