как узнать рыбу по фото
Приложение для рыбаков сканирует и определяет любую рыбу
Сергей Липченко, опубликовано 22 декабря 2016 г.
Даже самые заядлые рыбаки иногда ловят рыбу, которую просто не могут опознать. Когда это происходит, как узнать, сколько весит рыба, открыт ли на нее сезон ловли, и съедобна ли она? При помощи быстрого сканирования вашего улова, приложение FishVerify может определить вид рыбы, предоставить информацию о ее съедобности и среде обитания, и, используя GPS телефона, может сообщить какое количество данной рыбы можно выловить согласно закону.
FishVerify создано на основе нейронной сети, виде искусственного интеллекта, который может быть обучен при наборе данных и использоваться для распознавания изображений. В этом случае систему наполнили 1,5 миллионами картинок более 1000 различных видов рыбы, и бета-версия приложения на данный момент разбирается примерно в 150 видах.
Используя постоянно растущий набор данных, суть заключается в том, чтобы рыбаки могли сделать фото любой пойманной рыбы, и за пару секунд приложение скажет им, что это за рыба, а также все ее физические особенности, где ее можно найти, как поймать, и можно ли ее кушать. Существующие фотографии также могут быть импортированы, если вдруг неделю назад вы поймали неизвестную рыбу, но не знали, что это за вид и просто выкинули, сфотографировав предварительно.
FishVerify также может использовать информацию о местонахождении с вашего телефона, чтобы проверить, как много этой рыбы можно унести, не нарвавшись на штраф от рыбнадзора, сезонность этой рыбы и рекорды по улову этого вида. Приложение автоматически будет ставить геотеги ваших уловов, создавая подробный дневник того, где, когда и что вы словили. Если же рыбаку нужна конкретная рыба, то приложение подскажет, где лучше всего искать указанный вид.
Приложение FishVerify представлено на Kickstarter, где за 15 долларов и выше можно получить доступ к бета-версии уже сейчас. Доступно приложение пока только на iOS, но версия для Android уже находится в разработке.
Новости по теме:
Партнерская программа: в чем преимущества для вебов?
Гемблинг партнерки – это удобный способ заработка, если у вас есть аудитория пользователей. Огромным плюсом для вебов является то, что вся основная организация работы уже настроена. Вам не нужно искать заказчика, конкурировать с другими исполнителями, доказывать, что ваша площадка лучше подходит под оффер, а после получения оффера оговаривать множество нюансов по отчетности и оплате. Все это за вас делает сра-сеть. Все что вам нужно – просто зарегистрироваться и начать сотрудничество по конкретному офферу.
Российские власти выделят миллиарды на создание отечественного ПО
Правительство России собирается выделить гигантскую сумму на разработку российского программного обеспечения. Это будет господдержка, и деньги будут выделены из бюджета не позднее 2024 года. Как стало известно «Коммерсанту», сумма составит 46,3 миллиарда рублей, выдаваться она будет в виде грантов. Решение было принято в рамках заседания Президиума правительственной комиссии по цифровому развитию. Что важно, пока неясно, о каком софте идет речь – разумеется, такие деньги будут вложены только в очень крупный проект, который в дальнейшем будет использоваться или государством, или госструктурами, или же бюджетными ведомствами.
Куда в России пойти работать с онлайн-образованием
Пандемия коронавируса COVID-19 перевернула весь мир и все его аспекты, включая процесс обучения. Многие вузы начали обучать студентов онлайн, да и специализированные веб-ресурсы, обучающие тем или иным специальностям, на отсутствие клиентов теперь точно не жалуются. Вот только берут на работу специалистов с онлайн-образованием далеко не везде. В России так сложилось, что компании малого и среднего бизнеса не очень хотят видеть в своем штате людей, отучившихся в интернете – им все еще нужны работники, потратившие несколько лет своей жизни на полировку мягким местом стульев в аудиториях. Другое дело, по данным РБК, – крупные компании, вот им обучившиеся в онлайне специалисты очень даже нужны.
Что такое сервис виртуальных номеров, и для чего он нужен
Что такое сервис виртуальных номеров
Сервис виртуальных номеров – это очень популярная в России и многих странах мира услуга. Она позволяет покупать одноразовый российский номер для самых разных целей, притом не выходя из дома, в любых объемах и без физических SIM-карт, Подобной услугой могут пользоваться как физлица, так и индивидуальные предприниматели, а также юридические лица, и у каждого может быть свой сценарий применения виртуальных номеров.
Умные сети для рыбаков: как мы учили смартфоны распознавать рыбу
Компьютерное зрение, как часть мира будущего
Технологии для автоматизации задачи, требующие распознавание образов, пользуются спросом на службе правительств и в высокотехнологичных компаниях. Они помогают решать задачи людей, нуждающихся в помощи — фермеров и защитников окружающей среды. Приложение Seeing AI от Microsoft описывает окружающий мир для слепых людей. А молодой разработчик создал для родителей фермеров сортировку овощей, облегчив труд.
Мы давно следим за развитием технологий. Потенциал машинного обучения вдохновляет нас искать приложения перспективных технологий в наших продуктах для решения повседневных задач простых людей. В 2016 году, работая над социальной сетью для рыбаков, мы решили сделать лучшее, что в наших силах, чтобы любимое многими хобби, стало не просто удобнее, но и интереснее.
Цель и постановка задачи
Современные рыбацкие сообщества до сих пор живут на форумах, построенных в начале 2000-х. Темы с рассказами о лучших местах для рыбалки, снаряжении и фотографиями улова — наиболее активны. Люди делятся запечатленной на смартфон рыбой, выкладывая пост на форум. Братья по оружию (в этом случае, удочке) обсуждают добычу, соревнуясь друг с другом кто поймал щуку побольше. Такую теплую соревновательную атмосферу нарушать нам не хотелось. Как раз напротив, сделать рыбалку активнее, удобнее и чуточку современнее, по крайней мере, в этом аспекте.
Порядка 500 млн человек во всем мире увлекаются сегодня рыбалкой. Представители одного из самых больших комьюнити, давно берут с собой смартфоны на рыбалку, однако, все также сидят на устаревших форумах или группах в Facebook. Удивительно, но современных ресурсов и приложений для рыбаков почти нет. Мы хотели исправить это досадное упущение посредством технологий.
Созданное нами приложение поможет рыбакам не только определить вид и длину рыбы, но и оставить трофей на доске почета. Каждый рыбак хочет видеть добычу в своей коллекции. Сканируя поимку, приложение добавляет ее в профиль, так, чтобы пользователь смог похвастаться уловом со своими друзьями. Наверное, у большинства рыбаков, которые считают это занятие больше чем хобби, есть чувство соревновательного азарта. Специально для них, мы также решили добавить рейтинги. Пользователи с большим уловом будут на вершине рейтинга, становясь стимулом для остальных. Рассказы типа «я поймал ВОТ такую рыбу» не будут восприниматься всерьез. Приложение будет знать, кого поймал рыбак и какой длины.
Человека больше не будет отвлекать загрузка фотографий на форум, определение вида и размера рыбы — все сделает машинное обучение. Останется только наслаждаться любимым занятием — ловить рыбку.
Учим сеть улавливать рыбу
Сбор данных
Открытые датасеты с разметкой вида рыбы или бокса с ее положением практически отсутствуют. Данные можно найти у ImageNet и отдельных лабораторий, но объём, качество снимков и разметки оставляют желать лучшего.
Первого взгляда на первую сотню фотографий улова будет достаточно, чтобы понять, что рыбакам со всего мира нравится делать селфи с рыбой, а не качественные фотографии.
Фотографии и видео с рыбалки содержат нужные данные, но они имеют ряд существенных недостатков:
Глубокие сети требовательны к объему и менее требовательны к качеству. Но рыболовные снимки в сыром виде непригодны.
Наша методика позволила нам решить сразу несколько проблем — сбора данных и их очистки. Она заключается в последовательном увеличении качества, моделей и данных:
Мы размечаем вручную границы рыбы для нескольких непохожих видов для избежания переучивания на один вид. Например, камбала, щука и карп. Несколько дней работы — это пара тысяч картинок.
Выбираем архитектуру для детекции. Быструю и точную для работы с большим количеством данных. R-FCN показалась подходящей.
Обучаем сеть различать рыбу и не-рыбу (фон), детектить первое. Делаем веб-интерфейс для инференса медийных материалов наших рыбаков. Он может вставить в веб интерфейс ссылку на своё видео, которое будет покадрово прогнанно через модель детекции. Все кадры, содержащие рыбу, будут выведены на экран для удаления дубликатов и ошибок…
Такая админка позволяет собирать данные для целевого вида, а обработанные сетью и проверенные человеком использовать для:
60%.
Обучение классификации
Мы намерены расширять количество распознаваемых видов, поэтому выбирали архитектуру классификатора среди сетей, которые предсказывали 1000 классов на ImageNet. Выбор пал на Inception-ResNet-2, как оптимальное соотношение размера и точности.
Для обучения использовались TensorFlow, EVGA GeForce GTX 1080 Ti и EVGA GeForce GTX 1080.
Полное обучение модели дало большую точность, чем обучение полносвязных слоев модели ImageNet. Скорее всего потому, что сеть научилась низкоуровневым паттернам, таким как рисунок чешуи. Обучение заняло более 80 часов на двух видеокартах.
Первые результаты были поразительны!
Пока все восхищались тем фактом, что доучили нейронку до уровня мультипликационной абстракции, некоторых терзало сомнение, что сеть переучилась.
Но зря, камера запечатлела типичного керри на миде, значит всё впорядке.
Полученное решение страдало от больших ошибок на похожих видах. На изображениях представлены легендарный язь и голавль, отличить которых, способны лишь заядлыми рыбаками.
Ситуация обстоит еще хуже с форелью.
Более десятка популярных видов форелей и лососей не просто могут запутать неспециалиста, но и невероятно изменчивы в течении жизни. От стадии личинки до нереста они меняют свой окрас и форму кардинально в зависимости от возраста, времени года и даже состава воды. Далеко не каждый человек распознает один и тот же вид одной форели с интервалом в несколько лет. Такие виды, как кижуч и чавыча отличить человеку сложно даже по описанию. Из-за человеческой ошибки данные перепутаны, для каждого класса модель требует не менее 1000 фотографий для точности более 80%, при нескольких десятках видах вручную компетентно просматривать такие объёмы ресурсозатратно.
Наше решение заключалось в итерационном очищении датасета от ошибок разметки посредством самой модели. Модель прогоняем на своём же датасете, находим все картинки с несовпадением предсказания модели и разметки. Большинство таких картинок оказываются ошибками последнего. Отсеиваем их, переучиваем модель и получаем высокие метрики на валидационном датасете. В результате, удалось получить точность модели более 90+% даже для похожих видов. Сеть умеет практически безошибочно различать 8 схожих видов форелей и лососей, и более десятка окуней. Однако, в редких случаях сеть все же ошибается. Причину лучше показать наглядно:
Измеряем улов
Переоценка своего улова — очень важная фича белковых нейросеток. Для точного измерения, нужно знать границы рыбы на фотографии и иметь дальномер, как на новых смартфонах со сдвоенными камерами.
Наша цель — обеспечить рыбакам точное измерение улова автоматически, простым наведением телефона. Приложение должно уметь определять, когда рыба в кадре классифицирована и локализована. Необходимо измерять длину рыб по нескольким различным стандартам. Архитектура Faster RCNN с Inception-ResNet-2 демонстрирует себя лучше аналогов, переводим классификаци на неё с R-FCN.
Результаты на аналогичных данных говорят сами за себя.
Тем не менее, такой метод измерения нам не подходит, так как боксы корректно определяющие длину и ширину только для горизонтального и вертикального положения, для произвольного положения не подходят и не способны оценивать длину изогнутой рыбы.
Точнее измеряем улов
Размечаем несколько тысяч фотографий ключевыми точками для покрытия всех способов измерения по различным стандартам.
Обучаем модель для регрессии по ключевым точкам, которая увеличит точность измерения длины и сможет влезть в телефон. Если мы переносим детекцию на устройство, то сможем отправлять на классификацию уже обрезанный участок с рыбой, что увеличит надёжность и поможет снять нагрузку с сервера. Телефон будет отправлять запрос только, когда обнаружит рыбу. К сожалению, модель регрессии точек не сможет отличить рыбу от не-рыбы, поэтому нам понадобится модель такого бинарного классификатора на устройство.
Для регрессии по ключевым точкам берём предобученную на ImageNet’e «голову» от архитектуры ResNet50, добавляем 2 полносвязных слоя на регрессию 14 переменных — координаты всех точек. Функция потерь MAE. Вес модели
Аугментации: флипы горизонтальные/вертикальные, яркость, рандомные кропы (хорошо зашли), скейл. Все координаты точек нормировались на [-1, 1]
Для создания бинарного классификатора, создаём свою модель, похожую на AlexNet. Обучаем на рыбах и «не-рыбах».
Тут все стандартно: бинарная кросс энтропия, аугментации, метрика accuracy (выборки сбалансированы)
В дальнейшем мы планируем увеличивать количество распознаваемых видов, превзойти точностью модели человеческую и переносить модель полностью на устройство. Наша цель не просто создать универсальный инструмент для рыбаков, а объединить все комьюнити в едином проекте.
Помогите определить рыбку по фото
Помогите определить рыбку по фото
Сообщение maktub » 02 мар 2010, 21:29
Помогите определить рыбку по фото
Сообщение Metal » 02 мар 2010, 21:30
Помогите определить рыбку по фото
Сообщение Roman » 02 мар 2010, 21:33
Помогите определить рыбку по фото
Сообщение Metal » 02 мар 2010, 21:35
Помогите определить рыбку по фото
Сообщение maktub » 02 мар 2010, 21:39
Помогите определить рыбку по фото
Сообщение Metal » 02 мар 2010, 21:41
Помогите определить рыбку по фото
Сообщение maktub » 02 мар 2010, 21:44
Помогите определить рыбку по фото
Сообщение Алексей » 02 мар 2010, 21:45
Помогите определить рыбку по фото
Сообщение Алексей » 02 мар 2010, 22:04
Помогите определить рыбку по фото
Сообщение Smile » 16 апр 2010, 17:59
Помогите определить рыбку по фото
Сообщение Roman » 16 апр 2010, 18:20
Помогите определить рыбку по фото
Сообщение Smile » 16 апр 2010, 18:29
to AquaStatuS :
Да, да, рак гораздо больше похож на фото нежели омары которых я находил 🙂 Только вот что-то рак какой то низенький и толстенький находится в нете.
Или на моей картинке он вытянулся и ракурс такой. 🙂
Спасибо за помощь! 😉
Помогите определить рыбку по фото
Сообщение Анфиска » 16 апр 2010, 18:36
Помогите определить рыбку по фото
Сообщение Roman » 16 апр 2010, 20:01
Smile, на вашем фото всё же рак, у омара гораздо массивнее клешни и они другой формы.
Помогите определить рыбку по фото
Сообщение Katerina4664 » 30 июл 2019, 17:07
Помогите определить рыбку по фото
Сообщение yulia211 » 30 июл 2019, 23:47
Помогите определить рыбку по фото
Сообщение Katerina4664 » 31 июл 2019, 01:24
Помогите определить рыбку по фото
Сообщение yulia211 » 31 июл 2019, 12:26
Помогите определить рыбку по фото
Сообщение Katerina4664 » 31 июл 2019, 16:05
Помогите определить рыбку по фото
Сообщение serg_42 » 31 июл 2019, 18:08
Как обнаружить рыбу?
Для многих начинающих рыболовов найти стоянку рыбы является архисложной задачей. Поэтому без видимых ориентиров задача не из простых, даже для опытного рыболова. Вот тут и возникает вопрос, как можно примерно узнать, где в настоящее время находится рыба, чтобы в дальнейшем её поймать.
Рыболов с приобретением опыта с каждым годом все больше и больше изучает такую важную науку, как ихтиология. Узнает, чем питается определенная рыба, где она обитает и какой образ жизни ведет. В его сознании складывается картина, которая помогает в дальнейшем ориентироваться на водоеме и находить искомое.
Вначале рыболову нужно узнать, какие глубины находятся в месте, где он собирается ловить рыбу. Сделать это можно следующим образом: с помощью визуального наблюдения, с использованием имеющихся в наличии снастей и в последнюю очередь с применением глубомеров и эхолотов.
Если первое и второе основано на приобретенном опыте, то последнее более сложное и в то же время более точное. Оно совершенствуется при освоении технических средств, с помощью которых при их правильном использовании рыболов наблюдает на картинке не только глубину, но и видимые с помощью эхолокатора бровки, каменистые гряды, коряги, да и саму рыбу, которая отображается в виде определенных символов.
Главное, на что нужно обратить внимание при нахождении у воды, так это на видимые признаки, которые могут рыболову многое подсказать. Это прибрежная растительность, присутствие у берега коряг и поваленных в воду деревьев, расположение высокого берега и многое другое. Только по одним растениям, которые растут в воде, можно с определенной долей точности узнать, какая глубина в данном месте.
Если же обратить внимание на берег, то его вид подскажет, как близко подходит русло или где расположен омут. Рыба старается держаться невдалеке от всяческих аномалий, но избегает «голых» мест. Это, вероятнее всего, сопряжено с инстинктом самосохранения.
В моей практике был случай, когда я плыл на лодке невдалеке от берега и решил забросить спиннинговую приманку практически под него. В первый раз на проводке она ударилась обо что-то твердое, после чего в этом месте образовался бурун, но рыба промахнулась. Второй заброс оказался точнее, и приманка вонзилась во что-то жесткое.
Я понял, что это пенек, но подплывать ближе, чтобы отцепить приманку, не стал, а взял второй спиннинг, находившийся в лодке, и сделал заброс на полметра левее. Из-за коряги к ней стремительно метнулась тень. В результате пятиминутной борьбы в лодке оказалась двухкилограммовая зубастая. Случай этот не стал единичным, в тот день было поймано таким способом три хвоста и произошел один сход. И это на глубине, не превышающей одного метра!
У поплавочников главной задачей было обнаружение перепада глубин. Если ловля предстояла у берега, то это делалось забросом тяжелой оснастки с протаскиванием огрузки по дну. Характерные изменения поведения груза и указывали на подводные неровности, у которых, как правило, и держится большая часть рыбы. Эти места отмечались с помощью маркера на леске и в то место, где предполагалась ловля на поплавок забрасывалась прикормка.
Дальше нужно было точно посылать снасть в прикормленную точку, независимо от силы и направления ветра, скорости течения и других факторов, мешающих ловле. Техника измерения глубины при ловле с лодки ненамного отличается от береговой. Единственное дополнение к этому, что можно просто проплыть перпендикулярно берегу и глубомером промерить рельеф. При нахождении существенного перепада следует отметить это место буйком, рядом с которым и предстоит дальнейшая ловля рыбы.
Так в свое время мы находили каменистые гряды на карельских озерах. Для этого к корме лодки мы привязывали пяти метровый кусок лески с грузом на конце и плыли в направлении с запада на восток или в обратную сторону. Если основная глубина в этих местах составляла 7-8 метров, то глубина над каменистыми грядами была порядка четырех метров. Если груз начинал стучать по чему-то жесткому, наша лодка останавливалась и место маркировалось.
С севера на юг в этом месте тянулась каменистая гряда, рядом с которой и располагались перспективные места, предназначенные для ловли рыбы. Почему с севера на юг? Да потому, что этим путем много тысяч лет назад медленно двигались ледники. Легкий грунт они выбирали, а скалистый оставался на своих местах. После того как лед растаял, остался существующий в настоящее время рельеф. И рыба в определенные часы выходит на эти гряды попировать.
На реках с быстрым течением рыба предпочитает стоять за препятствиями, которые обтекает быстрая струя воды, или прижиматься ко дну, где скорость течения также меньше. В этом случае она бережет силы. И если корм проплывает мимо, то она делает резкий рывок и хватает добычу. Излюбленные места стоянки крупной рыбы на реках с быстрым течением – это омута, которые образовались за счет вымывания струей грунта. Такая рыба не разменивается на мелочь, толкущуюся невдалеке от нее. Она ждет себе достойный обед. Однажды из пятикилограммовой щуки дома при разделке был вытащен хвост ее соплеменницы, которая при жизни, по моему предположению, была никак не меньше 1,5-2 кг весом.
В малых и средних прудах, которые образовались после постройки плотин на небольших речках, рыба в основном держится у русел этих рек и иногда совершает пробежку по поливам. Поэтому встретить ее чаще всего можно у бровки на середине водоема. Не исключено, что места, расположенные в более глубокой части, примыкающие к плотине, также принесут хороший улов пытливому рыболову.
Существует такая рыбацкая братия, которая не любит больших водных просторов, а наоборот, ловит рыбу на небольших речках, имеющих ширину не более пяти метров. Такие реки чаще всего протекают в труднодоступных местах, куда простой рыболов даже не сунет носа. Но для любителей экстремальной ловли залезть в самые дебри, преодолеть колючий кустарник, проползти под деревом является наивысшим блаженством. А если это заканчивается поимкой форели, хариуса или гольца, то рыбалка удалась на славу. Чаще всего такая рыба водится под нависшим берегом или кустом или прячется за камнем, разбивающем струю на две части.
В последнее время техническая революция достигла небывалых высот. Применение электронной техники в рыбопоисковых целях уже стало привычным для продвинутых рыболовов. Глубомеры, эхолоты и навигаторы можно увидеть в руках многих. С помощью данных приборов рыболов может с точностью до 5 метров выйти на «точку», которая в предшествующую рыбалку хорошо сработала.
При этом не надо будет тратить много времени для поиска заветной бровки, где держится рыба. Как летом, так и зимой навигатор помогает безошибочно определить место, где ловится рыба и вывести рыболова на него прямым маршрутом. Это уникальный по своим свойствам электронный компас с большим количеством дополнительных функций, таких как определение местонахождения, прокладывание маршрутов, фиксирование географических точек, измерение скорости перемещения и многое другое, что очень необходимо современному человеку, в том числе рыболову, туристу и охотнику.
Можно привести один очень интересный пример. Недавно знакомые рыболовы показали мне место, которое идеально подходит для обитания разнообразной рыбы. С помощью современного эхолота мы определили, что глубины колеблются в этом месте от 4,5 до 12 метров. Ямы, бровки, пупки и гряды здесь присутствуют в таком количестве, что просто диву даешься, как это природа создала все это. И конечно, в этом небольшом, по сравнению со всем водоемом, оазисе обитает много разной рыбы, начиная лещом, бершом и кончая щукой и судаком до 5 кг весом.
Если учесть, что место находится на границе Московской области, в 120 км от столицы, то это рыболовный Клондайк. Но существует одна проблема – его размеры примерно 100 на 300 метров. И найти его по створам, если до берега более двух км, довольно сложно. С помощью навигатора мы нашли точку в считанные минуты и во второй раз уехали домой с весомым уловом.
Николай Лазутенков 22 сентября 2012 в 00:00