Search

RESUMEN: Estimar el número de objetos o partículas en una imagen o en un video, que al final es una secuencia de imágenes, es algo en lo que siempre ha habido intereses, desde el gobierno para controlar a sus habitantes, hasta organizaciones ecológicas para llevar control de poblaciones de ciertas especies de fauna y flora. El primer método para contar partículas en una imagen que a cualquiera se le ocurre es hacerlo a mano, pero normalmente se espera tener que contar un gran número de partículas, resultando el método manual demasiado cansado. El método CountEm utiliza un muestreo geométrico y sistemático para realizar una estimación del tamaño de la población pseudo-manual, superpone una rejilla de ventanas de muestreo definida por unos parámetros sobre la imagen y se contarán las partículas de dichas ventanas de muestreo para dar una estimación. Esto convierte una tarea tediosa y poco práctica de contar a mano, en algo más simple, más fácil de verificar y que no consume tanto tiempo, esto no quiere decir que no se pueda mejorar. En este proyecto trataremos de buscar un método que pueda dar una estimación inicial del tamaño de la población para que CountEm pueda elegir unos parámetros iniciales para la rejilla más adecuados y de manera automática. Para ello se estudiarán y analizarán dos métodos de procesado digital de imágenes, uno de ellos más simple y otro que estará basado en machine learning. ABSTRACT: Estimating the number of objects or particles in an image or video, which is basically a sequence of images, is something that has always been of interests, from the government to control its inhabitants, to environmental organizations to keep track of populations of certain species of fauna and flora. The first method of counting particles in an image that anyone can think of is do it by hand, but normally one expects to have to count a large number of particles, making the manual method too tiring. The CountEm method uses a geometric and systematic sampling to make a pseudo-manual population size estimate, superimposes a square grid of quadrats defined by some parameters on the image, and the particles in those quadrats will be counted to give an estimate. This makes the tedious and impractical task of counting by hand simpler, easier to verify and less time consuming, but this does not mean that it cannot be improved. In this project we will try to find a method which can give an initial population size estimate so that CountEm can choose a more suitable initial square grid parameters automatically. In order to do so, two methods of digital image processing will be studied and analyzed, one of them will be simpler and the other based on machine learning. Máster en Ciencia de Datos

Bees pollinate a wide variety of plant species, including agricultural crops. It is estimated that about 30% of the food consumed by the world population is derived from crops pollinated by bees.Nosemiasis infestation is one of the leading causes of bee hive loss worldwide. The laboratory methods for the diagnosis of the level of infestation by this microsporidium are slow, expensive and require the presence of an expert for spore count. It is proposed the creation of an automatic, reliable and economical system of quantification of Nosema infestation from digital image processing.Using the techniques of image segmentation, object characterization and shape counting, the Cantwell and Hemocytometer techniques have been automatically reproduced. For the counting of spores, three descriptors were implemented: size, eccentricity and circularity, in such a way that they are invariant to the scale and rotation of the images. We worked with a total of 375 photographs grouped in folders of 5, which were previously labeled according to the level of infestation (very mild, mild, moderate, semi-strong and strong). The correct diagnosis rate was 84%. Las abejas polinizan una gran variedad de especies de plantas, incluyendo los cultivos agrícolas. Se estima que cerca del 30% del alimento consumido por la población mundial es derivado de cultivos polinizados por abejas. La infestación por Nosemiasis es una de las principales causas de la pérdida de colmenas a nivel mundial. Los métodos de laboratorio para el diagnóstico del nivel de infestación por este microsporidio son lentos, caros y demandan la presencia de un experto. Se propone un sistema automático, confiable y económico de cuantificación de infestación por Nosema, a partir del procesamiento digital de imágenes.Con el uso de técnicas de segmentación de imágenes, caracterización de objetos y conteo de formas se han reproducido la técnican de Cantwell y Hemocitómetro de manera automática. Para el conteo de esporas se implementaron tres descriptores el tamaño, la excentricidad y la circularidad, de manera tal que son invariantes a la escala y rotación de las imágenes. Se trabajó con un total de 375 fotografías agrupadas en carpetas de 5, las cuales fueron previamente etiquetadas por un experto según el nivel de infestación (muy leve, leve, moderado, semifuerte y fuerte). Con ello se alcanzó un porcentaje de diagnóstico correcto de infestación del 84%.

Resumen Las abejas polinizan una gran variedad de especies de plantas, incluyendo los cultivos agrícolas. Se estima que cerca del 30% del alimento consumido por la población mundial es derivado de cultivos polinizados por abejas. La infección por Nosemiasis es una de las principales causas de la pérdida de colmenas a nivel mundial. Los métodos de laboratorio para el diagnóstico del nivel de infección por este microsporidio son lentos, caros y demandan la presencia de un experto. Se propone un sistema automático, confiable y económico de cuantificación de infección por Nosema, a partir del procesamiento digital de imágenes. Con el uso de técnicas de segmentación de imágenes, caracterización de objetos y conteo de formas se han reproducido las técnicas de Cantwell y Hemocitómetro de manera automática. Para el conteo de esporas se implementaron tres descriptores el tamaño, la excentricidad y la circularidad, de manera tal que son invariantes a la escala y rotación de las imágenes. Se trabajó con un total de 375 fotografías agrupadas en carpetas de 5, las cuales fueron previamente etiquetadas por un experto según el nivel de infección (muy leve, leve, moderado, semifuerte y fuerte). Con ello se alcanzó un porcentaje de diagnóstico correcto de infección del 84%. Abstract Bees pollinate a wide variety of plant species, including agricultural crops. It is estimated that about 30% of the food consumed by the world population is derived from crops pollinated by bees. Nosemiasis infection is one of the leading causes of bee hive loss worldwide. The laboratory methods for the diagnosis of the level of infection by this microsporidium are slow, expensive and require the presence of an expert for spore count. It is proposed the creation of an automatic, reliable and economical system of quantification of Nosema infection from digital image processing. Using the techniques of image segmentation, object characterization and shape counting, the Cantwell and Hemocytometer techniques have been automatically reproduced. For the counting of spores, three descriptors were implemented: size, eccentricity and circularity, in such a way that they are invariant to the scale and rotation of the images. We worked with a total of 375 photographs grouped in folders of 5, which were previously labeled according to the level of infection (very mild, mild, moderate, semi-strong and strong). The correct diagnosis rate was 84%.