Comptage haute densité de poissons en cage grâce à un réseau d'optimisation de clusters guidé par la densité

Introduction

La pisciculture intensive nécessite une surveillance rigoureuse de la population piscicole pour garantir la santé des élevages et optimiser les rendements. Cependant, le comptage manuel des poissons dans les cages s’avère long, imprécis et source de stress pour les animaux. Face à ces défis, des solutions automatisées s’imposent, exploitant l’intelligence artificielle et la vision par ordinateur. Cet article présente une méthode innovante pour réaliser un comptage précis de poissons en milieu à haute densité à l’aide d’un réseau d’optimisation de clusters guidé par la densité (Density-Guided Cluster Optimization Network, DGCN).

Etat de l’art du comptage automatisé de poissons

Traditionnellement, les techniques de détection reposent sur l’analyse d’images statiques à faible densité, ou l’identification individuelle dans des plans peu encombrés. Ces méthodes montrent toutefois de sérieuses limites lorsque les poissons sont nombreux, se chevauchent ou se déplacent en essaims compacts, circonstances courantes en aquaculture commerciale. La superposition, la variabilité d’échelle et d’orientation, ainsi que l’encombrement de la cage, compliquent considérablement la tâche de comptage fiable.

Face à ces défis, différentes solutions algorithmiques fondées sur les réseaux de neurones profonds (Deep Neural Networks, DNN) ont vu le jour. Parmi elles, les méthodes d’estimation de la densité – utilisant des cartes de densité (density maps) générées par des réseaux convolutifs – améliorent la robustesse du comptage dans des contextes complexes. Toutefois, elles restent perfectibles en ambiance de forte densité, leur précision chutant significativement en présence d’occultations accrues.

Réseau d’Optimisation de Clusters Guidé par la Densité (DGCN)

Pour remédier à ces limitations, le DGCN opère en deux temps. Il (1) prédit une carte de densité détaillée à partir d’une image de la cage et (2) réalise un clustering spatial des zones à forte densité pour améliorer la détection individuelle, même en cas de chevauchement. Cette approche combine intelligemment les avantages des techniques de segmentation profonde et des algorithmes de regroupement optimisés.

Génération de cartes de densité

La première étape consiste à entraîner un réseau de neurones convolutionnels profond pour extraire des cartes de densité précises de la population piscicole à partir d’images en entrée. Ces cartes mettent en évidence les zones de concentration élevée de poissons, offrant un support spatial pour guider la suite de l’analyse.

Optimisation de clusters via guidage de la densité

Le cœur de l’innovation réside dans l’étape d’optimisation de clusters, guidée par la carte de densité. Le DGCN segmente automatiquement les régions à forte densité et isole les groupes où la superposition rend la distinction individuelle difficile. Il applique ensuite un algorithme d’optimisation pour estimer le nombre de poissons dans chaque cluster, en exploitant les contours, les motifs d'occultation et les densités locales.

Précision et robustesse

L’un des atouts majeurs du DGCN réside dans sa capacité à s’adapter dynamiquement à des configurations variées de densité et à résister aux effets de chevauchement. Cette flexibilité le distingue des modèles traditionnels qui peinent sur des images confuses voire brouillées. Les expériences menées sur de grands jeux de données d’images de cages à poissons révèlent des taux de précision sensiblement supérieurs aux méthodes d’estimation de densité classique, avec des erreurs de prédiction minorées même lorsque le taux d’occultation excède 30%.

Mise en œuvre expérimentale

Les auteurs ont constitué une base de données diversifiée comprenant des images de cages à poissons en conditions réelles, variant la densité (jusqu’à des foules massées) et les types de poissons. Le DGCN a été comparé à plusieurs algorithmes de référence : modèles d’estimation de densité directe, approaches de segmentation conventionnelle, et méthodes de détection individuelle par boîte englobante.

L’évaluation a été réalisée à l’aide de mesures standardisées : Mean Absolute Error (MAE) et Root Mean Square Error (RMSE). Les résultats démontrent la supériorité du DGCN, qui réduit l’erreur moyenne d’au moins 15% par rapport aux modèles classiques, tout en maintenant une rapidité d'analyse compatible avec les exigences du monitoring en temps quasi-réel.

Optimisation et transfert de modèle

L’architecture du DGCN a été conçue pour faciliter l’entraînement avec des échantillons limités et permettre un transfert efficace entre différentes espèces de poissons et environnements aquacoles. L’utilisation de couches d’attention spatiale et d’ajustement adaptatif de la résolution favorise la généralisation du modèle, ouvrant la voie à une intégration opérationnelle dans divers contextes industriels.

Perspectives et applications industrielles

La précision et la résilience du DGCN en font un outil de choix pour les exploitants aquacoles, permettant un comptage automatique, fiable et non-invasif des populations piscicoles, même dans des ranges de densité extrêmes. Outre l’optimisation du nourrissage et la gestion des stocks, ce type de technologie favorise le suivi sanitaire, la prévention des épidémies et une meilleure traçabilité écologique des élevages.

L’intégration de cette technologie dans des solutions logicielles connectées, couplées à de la vidéosurveillance en continu, marque une avancée significative pour la pisciculture de demain.

Conclusion

Le réseau d’optimisation de clusters guidé par la densité (DGCN) représente une avancée majeure dans le comptage à haute densité des poissons en cage. En combinant estimation fine de densité et segmentation optimisée, il s’impose comme une solution robuste, précise et adaptée aux enjeux industriels de la pisciculture moderne.

Source : https://www.sciencedirect.com/science/article/pii/S0957417425041235?dgcid=rss_sd_all