Progettazione e Sviluppo di un algoritmo basato su deep learning per il riconoscimento di embrioni sani / malati da immagini RGB e multi-spettrali

This thesis work focuses on the processing of RGB and multispectral images (in the visible and near-infrared spectre) of trout and salmon embryos deposited in aquaculture grids. The goal is to identify which eggs are properly fertilized and healthy, as opposed to those that are diseased, deteriorated, or unfertilized. The aim is to provide technological support to enhance the efficiency of food production by recognizing and removing embryos that are diseased or dead at an early stage. These unhealthy embryos may compromise adjacent healthy ones by transmitting diseases and are processed together with healthy ones, leading to resource wastage when later discarded. The work also aims to enable a preliminary level of automation in egg operations based on the identification results for each element. The code developed in the context of this thesis work can be executed in any Python environment, with optimal efficiency and computational speed achievable on systems supporting CUDA instructions. The developed code integrates modules that leverage artificial intelligence (AI) and deep learning techniques for embryo recognition, as well as mathematical and statistical models for categorizing embryos into healthy and discard categories.

In questo lavoro di tesi si concentra sull’elaborazione di immagini RGB e multispettrali (nel visibile nell’infrarosso vicino) circa embrioni di trote e salmoni depositati in griglie da acquacoltura, al fine di riconoscere quali sono le uova fecondate correttamente e in buona salute, piuttosto che quelle malate, deteriorate o non fecondate. Lo scopo sarà quello di fornire un supporto tecnologico atto a migliorare l’efficienza della produzione alimentare attraverso il riconoscimento e la rimozione anticipata degli embrioni malati/morti, che possono compromettere quelli sani adiacenti tramite la trasmissione di malattie, e che vengono processati insieme a quelli sani, per poi venire scartati, comportando uno spreco di risorse. Si può inoltre rendere possibile un primo livello di automatizzazione delle operazioni sulle uova in base al risultato dell’identificazione per ciascun elemento. Il codice sviluppato nell’ambito del presente lavoro di tesi può essere eseguito su qualsiasi ambiente Python, con la massima efficienza e velocità di calcolo ottenibile su sistemi supportanti le istruzioni CUDA. Quanto sviluppato integra anche moduli che sfruttano tecniche di intelligenza artificiale (AI ) e deep-learning per il riconoscimento degli embrioni, e di modelli matematici e statistici per la categorizzazione di questi ultimi in sani e da scartare.