Técnica de visión artificial desarrollada

En esta sección se analiza la técnica empleada para extraer la trayectoria seguida por el pez a partir de las imágenes del sistema de grabación. Aunque las bases de esta técnica, fundamentada en el uso de redes neuronales y técnicas de visión artificial, escapan del alcance de esta tesis, se realiza a continuación una breve descripción de la misma. La técnica ha sido desarrollada y aplicada ad hoc para estas campañas experimentales en colaboración con el grupo RNASA (Redes de Neuronas Artificiales y Sistemas Adaptativos) de la Universidad de A Coruña.Cabe señalar que una descripción completa puede encontrarse en Rodríguez et al. (2011). Posteriormente, se explica el procesado de los datos así obtenidos para calcular otras variables de interés para el análisis del comportamiento del pez, como las velocidades y aceleraciones desarrolladas por los individuos.

El primer paso de la técnica consiste en calibrar las cámaras y crear un modelo proyectivo para la integración de las mediciones en un espacio de coordenadas común con una escala real. Para obtener una medición real de la posición del pez a partir de las imágenes grabadas por las diferentes cámaras debe calcularse la transformación necesaria entre las coordenadas en píxeles de cada imagen y las coordenadas globales en una escala real. En una primera fase, se calculan

los parámetros necesarios para corregir y escalar la imagen de forma separada para cada cámara y, posteriormente, la transformación proyectiva de cada cámara en un sistema de coordenadas común. En la Figura 69 se muestra el resultado de integrar las 4 cámaras de una piscina, con la superposición de los campos de las cámaras. Esto implica que cuando el pez se encuentra en áreas en las que los campos de las cámaras se superponen, será observado al mismo tiempo por cámaras diferentes y desde diferentes perspectivas (Figura 70).

Figura 69 Integración las imágenes proyectadas de las 4 cámaras que forman una piscina. Cada polígono representa el campo de una cámara diferente.

Figura 70 Representación esquemática de la combinación de varias cámaras.

Una vez se ha definido esta transformación, se procede a segmentar las imágenes, es decir, a clasificar y etiquetar los diferentes elementos de la imagen para separar el área ocupada por el pez del resto de la imagen o fondo. En este caso, el método de segmentación utiliza una red de neuronas artificiales de tipo Self-Organizing Map (SOM) (Kohonen, 1982). En la Figura 71 se muestra un ejemplo de la salida de la red neuronal SOM a partir de imágenes reales de los ensayos.

Finalmente, se procede al análisis de los objetos segmentados mediante técnicas de visión artificial, con el objetivo de definir el centroide del pez. Para ello se utiliza la clasificación de

imagen generada previamente por la red de neuronas artificiales, que describe cada uno de los cuerpos conexos encontrados en la imagen. Debido a las características de la imagen, donde el pez está muchas veces parcialmente ocluido y donde es previsible cierto nivel de ruido debido a la presencia de sombras, burbujas y reflejos, un aspecto fundamental es la respuesta del algoritmo ante detecciones parciales o anómalas. Así, se han definido procedimientos para fusionar dos cuerpos conexos cuyas características pueden corresponder con un pez o con una parte de un pez y para descartar aquéllos cuerpos que, debido a su tamaño o forma, se consideran ruido. En la Figura 72 se muestra el centroide proporcionado por el algoritmo con diferentes imágenes segmentadas por la red neuronal, concretamente las imágenes de la Figura 71.

Figura 71 Diferentes imágenes reales obtenidas durante los ensayos (arriba) y el resultado de su análisis con la red de neuronas artificiales (abajo). El color blanco indica la detección de un pez.

Figura 72 Imágenes segmentadas por la red de neuronas artificiales (columna izquierda), detección del pez (columna intermedia) y determinación del centroide (columna derecha).

Como resultado de este proceso, se obtiene la posición del pez en la escala a lo largo del tiempo, lo que conduce a la definición de un vector de posición de la forma:



 

 

 



_ X , Y , X , Y ,..., X , Y ,..., X , Y _{  } (4.1) donde XtN es la coordenada x del pez en el sistema de coordenadas global en el tiempo tN e YtN es la coordenada y del pez en el sistema de coordenadas global en el tiempo tN. El incremento de tiempo mínimo entre dos posiciones consecutivas del pez se establece en 0.04 s, debido a la frecuencia de grabación seleccionada (25 Hz).

A partir del vector de posición se obtienen las velocidades instantáneas observadas:

ti ti 1 ti ti 1 obs i i 1 i i 1 X X Y Y v , t t t t           _{ }    (4.2)

dondevobses el vector velocidad observada del pez.

No obstante, estas velocidades observadas no son las velocidades de natación necesarias para cuantificar el esfuerzo real de ascenso del pez. Para calcular dichas velocidades es necesario relacionar las velocidades observadas con la velocidad del agua por medio de la siguiente ecuación:

nat obs a

v v v (4.3) donde vnat es el vector velocidad de natación del pez y vaes el vector velocidad del agua. La

velocidad del agua en cada punto se obtiene con el modelo numérico descrito en el capítulo 3, basado en las ecuaciones de aguas someras promediadas en profundidad bidimensionales. Siguiendo el procedimiento descrito en dicho capítulo, se ha construido un modelo numérico con la geometría del modelo físico. El campo de velocidad del agua así obtenido para cada piscina se muestra en la Figura 73. x (m) y ( m ) 0 1.85 3.7 0 0.75 1.5 v (m/s) 1.4 1.2 1 0.8 0.6 0.4 0.2 0

Una vez conocidas las velocidades de natación, se calculan las aceleraciones ai de acuerdo con

la siguiente expresión:

naty,ti naty,ti 1 natx,ti natx ,ti 1

i i i 1 i i 1 v v v v a , t t t t           _{ }    (4.4)

Donde vnatx y vnaty son las componentes según los ejes x e y, respectivamente, de la velocidad de natación.

Por último, se examina el uso que realizan los ejemplares de las distintas zonas del flujo, en especial de las zonas de recirculación. Este análisis relaciona el vector de posición de cada ejemplar, definido por la Ecuación 4.1, con las características cinemáticas de las piscinas. Para ello, la trayectoria completa de cada ejemplar se divide entre pasos de hendidura y zonas de descanso. Las posibles zonas de descanso consideradas se muestran en Figura 74, y se corresponden con zonas de recirculación con bajos niveles de turbulencia y velocidad. En el apartado 5.3.2 se explica más en detalle cómo se han definido estas áreas. Los denominados pasos de hendidura son los tramos de trayectoria situados inmediatamente antes y después de la sección de la hendidura, señalada en línea discontinua en la Figura 74.

x (m) y( m ) 0.00 0.93 1.85 2.78 3.70 0.00 0.38 0.75 1.13 1.50 A B _C

Figura 74 Posibles áreas de descanso A, B y C consideradas en este trabajo, delimitadas a partir del campo de velocidades y de energía cinética turbulenta en las piscinas. En línea discontinua la sección de la hendidura.

En los pasos de hendidura se analizan en detalle las velocidades y aceleraciones de los ejemplares, siguiendo la metodología comentada anteriormente. En relación con los descansos, se analizan principalmente dos aspectos: la frecuencia de uso de cada una de las posibles zonas y los tiempos de permanencia. En este trabajo, la frecuencia de utilización se entiende como el cociente entre el número de descansos realizados en una zona y el número de descansos totales efectuados durante el ascenso. Por su parte, el tiempo de permanencia es el tiempo transcurrido desde la entrada hasta la salida de cada zona. De esta forma, se determinan las zonas de flujo con mayor tiempo de tránsito y las zonas de descanso preferentes.