Identificação e diagnóstico automático de ectoparasitos em peixes utilizando deep learning

Abstract

A identificação precisa de ectoparasitas em peixes é essencial para seu controle e mitigação de seus impactos negativos na produção aquícola. Este estudo propõe uma metodologia para coleta de amostras, bem como captura e preparação de imagens como etapa inicial na construção de um banco de dados para treinamento e validação de ferramentas de diagnóstico automatizado para doenças parasitárias em aquicultura com base em visão computacional. Amostras de ectoparasitas foram coletadas de diferentes espécies de peixes em fazendas de peixes nos estados de São Paulo e Goiás, Brasil, e fixadas em lâminas para captura de imagens em laboratório. As imagens obtidas no formato .tiff foram preparadas para uso em diferentes arquiteturas de redes neurais convolucionais (CNN). A metodologia proposta abrange todo o processo, desde a coleta de amostras, captura de imagens e rotulagem de dados até o pré-processamento de imagens, incluindo o redimensionamento para uma resolução padrão de 224x224 pixels, conversão de RGB para tons de cinza e limiarização aplicada usando a técnica cv.THRESH_TOZERO_INV da biblioteca OpenCV com limiares de 120, 150 e 170, visando melhorar a visualização e extração de características parasitas. Como etapa final, a aplicação de técnicas de aumento de dados aumenta o número de imagens, expandindo a quantidade de exemplos disponíveis

The accurate identification of ectoparasites in fish is essential for their control and mitigation of their negative impacts on aquaculture production. This study proposes a methodology for sample collection, as well as image capture and preparation as an initial step in building a database for training and validating automated diagnostic tools for parasitic diseases in aquaculture based on computer vision. Ectoparasite samples were collected from different fish species in fish farms in the states of São Paulo and Goiás, Brazil, and fixed on slides for laboratory image capture. The images obtained in .tiff format were prepared for use in different convolutional neural network (CNN) architectures. The proposed methodology covers the entire process from sample collection, image capture, and data labeling to image preprocessing, including resizing to a standard resolution of 224x224 pixels, conversion from RGB to grayscale, and thresholding applied using the OpenCV library's cv.THRESH_TOZERO_INV technique with thresholds of 120, 150, and 170, aimed at improving the visualization and extraction of parasite features. As a final step, the application of data augmentation techniques increases the number of images, expanding the quantity of available examples