Type de document : article scientifique publié dans Scientific Reports
Auteurs : K. Suresh Kumar Patro, Vinod Kumar Yadav, Vidya S. Bharti, Arun Sharma, Arpita Sharma, T. Senthilkumar
Résumé en français (traduction) : Approche IoT et ML pour l’analyse du comportement des poissons d’ornement
L’élevage de poissons d’ornement est le deuxième passe-temps préféré dans le monde et il offre une grande opportunité de développement de l’esprit d’entreprise et de génération de revenus. Le contrôle de l’environnement dans les élevages de poissons d’ornement est un défi considérable, car il est influencé par divers paramètres tels que la température de l’eau, le taux d’oxygène dissous, le pH et l’apparition de maladies. Le poisson rouge (Carassius auratus) est une espèce de poisson d’ornement particulièrement intéressante. Les techniques d’apprentissage automatique (ML) et d’apprentissage profond (deep learning) offrent un potentiel important pour l’analyse des données volumineuses collectées dans les élevages piscicoles. Grâce à ces techniques, les pisciculteurs peuvent obtenir des informations sur le comportement alimentaire, les modèles de croissance des poissons, prédire les maladies et le stress, ainsi que les facteurs environnementaux affectant la santé des poissons. L’objectif de cette étude était d’analyser les changements de comportement des poissons rouges suite à des modifications de paramètres environnementaux (température de l’eau et oxygène dissous). Nous avons utilisé un arbre de décision, un classificateur de Naïve Bayes, le K-voisin le plus proche (KNN) et une analyse discriminante linéaire (ADL) pour analyser les données relatives aux changements de comportement. Pour comparer les performances des quatre outils, nous avons eu recours à des validations croisées et à des matrices de confusion. L’erreur de validation croisée de l’ADL, de la classification de Naïve Bayes, du KNN et de l’arbre de décision était respectivement de 19,86, 28,08, 30,14 et 13,78. L’arbre de décision s’est avéré être le classificateur le plus précis et le plus efficace. Différentes températures et plages d’oxygène ont été utilisées pour prédire le comportement des poissons. Voici quelques résultats : les poissons avaient un comportement calme entre 37,85 °C et 40,535 °C, erratique lorsque la température était supérieure ou égale à 40,535 °C, ils haletaient lorsque la température était comprise entre 37,85 et 40,535 °C et lorsque la concentration en oxygène était inférieure à 6,58 mg/L. Une analyse des paramètres sanguins a été effectuée pour valider le changement des comportements externes avec le changement des paramètres physiologiques.
Résumé en anglais (original) : Ornamental fish keeping is the second most preferred hobby in the world and it provides a great opportunity for entrepreneurship development and income generation. Controlling the environment in ornamental fish farm is a considerable challenge because it is affected by a variety of parameters like water temperature, dissolved oxygen, pH, and disease occurrences. One particular interesting ornamental fish species is goldfish (Carassius auratus). Machine learning (ML) and deep learning technique have significant potential in analysing voluminous data collected from fish farm. Through this technique, the fish farmers can get insight on feeding behaviour, fish growth patterns, predict diseases/stress, and environmental factors affecting fish health. The aim of the study is to analyze the behavioural changes in goldfish due to alterations in environmental parameters (water temperature and dissolved oxygen). Decision tree, Naïve Bayes classifier, K-nearest neighbour (KNN), and linear discriminant analysis (LDA) were used to analyse the behavioural change data. To compare the performance between all four classifiers, cross validation and confusion matrix used. The cross-validation error of LDA, Naïve Bayes classification, KNN and decision tree was 19.86, 28.08, 30.14 and 13.78 respectively. Decision tree was proved to be the most accurate and effective classifier. Different temperature and DO range were taken to predict fish behaviour. Some findings are, the behaviour of fish was rest between temperature 37.85 °C and 40.535 °C, erratic when temperature was greater than or equal to 40.535 °C, gasping when temperature was between 37.85 and 40.535 °C and when DO concentration was less than 6.58 mg/L. Blood parameter analysis has been done to validate the change in external behaviours with change in physiological parameters.
