[論文レビュー] Non-invasive Growth Monitoring of Small Freshwater Fish in Home Aquariums via Stereo Vision

Clemens Seibold, Anna Hilsmann+1 more|arXiv (Cornell University)|Mar 6, 2026

Water Quality Monitoring Technologies被引用数 0

ひとこと要約

ステレオカメラシステムはrefraction-aware epipolar geometryとYOLOv11-Poseネットワークを用い、3Dの魚のキーポイントを推定して水槽内の長さを非侵襲的に測定します。学習された品質フィルターと模板ベースのキーポイント refineを含み、精度を向上させます。

ABSTRACT

Monitoring fish growth behavior provides relevant information about fish health in aquaculture and home aquariums. Yet, monitoring fish sizes poses different challenges, as fish are small and subject to strong refractive distortions in aquarium environments. Image-based measurement offers a practical, non-invasive alternative that allows frequent monitoring without disturbing the fish. In this paper, we propose a non-invasive refraction-aware stereo vision method to estimate fish length in aquariums. Our approach uses a YOLOv11-Pose network to detect fish and predict anatomical keypoints on the fish in each stereo image. A refraction-aware epipolar constraint accounting for the air-glass-water interfaces enables robust matching, and unreliable detections are removed using a learned quality score. A subsequent refraction-aware 3D triangulation recovers 3D keypoints, from which fish length is measured. We validate our approach on a new stereo dataset of endangered Sulawesi ricefish captured under aquarium-like conditions and demonstrate that filtering low-quality detections is essential for accurate length estimation. The proposed system offers a simple and practical solution for non-invasive growth monitoring and can be easily applied in home aquariums.

研究の動機と目的

• 小型淡水魚の福祉・健康・栄養を評価するための非侵襲的で頻繁な成長モニタリングを動機づける。
• air–glass–waterの屈折を考慮して魚の長さを正確に推定するステレオビジョンシステムを開発する。
• 境界ボックス、キーポイント、品質の注釈付きサルワーディオンSulawesi ricefishのステレオ画像データセットを作成・共有する。
• 品質評価とフィルタリングがマッチングと長さ推定精度に与える影響を評価する。

提案手法

• YOLOv11-Poseを拡張して魚を検出し、5つの解剖学的キーポイントを予測し、全体的な画像品質レベルを推定する。
• refraction-aware epipolar制約と3D三角測量を適用してステレオ対から魚の3Dキーポイントを推定する。
• エピポラック曲線の近接性、境界ボックスサイズの類似性、キーポイント配置を組み合わせた3項目のステレオマッチングコストを使用する。
• エピポラック曲線に沿って制約されたテンプレートマッチングでキーポイントを Refineする。
• 品質予測と方向性チェックを用いて信頼性の低いマッチを除外し、長さ推定の頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 refraction-awareステ pipelinesが水槽環境で小型淡水魚の長さを正確に推定できるか。
• RQ2 学習済み品質推定器と方向フィルタを統合することで誤検出のステレオマッチを減らし、RMSEを改善できるか。
• RQ3 背景コンテキスト（壁 vs. 植物）が長さ推定のテンプレートマッチ改善にどう影響するか。
• RQ4 標準的なハードウェア上で家庭用水槽で実用的な実行時間はどの程度か。

主な発見

• システムはステレオ画像からrefraction-awareの3Dキーポイントを三角測量することで非侵襲的な魚の長さ推定を実現する。
• 品質フィルタリングと方向性チェックはYOLOバックボーン全体で誤マッチを大幅に削減し、中程度のバックボーンと品質+方向フィルタを用いたときに最良の結果を示す。
• キーポイント Refinement のテンプレートマッチは壁背景のシーンではRMSEを改善できる一方、 clutterが多いシーンでは悪化する可能性がある。背景依存の影響を示す。
• テストシーン全体で、標準的なハードウェア上で約5フレーム対/秒程度の実行速度を示し、テンプレートマッチが総実行時間の約75%を占める。
• 品質フィルタリングと方向フィルタを両方適用した場合、特定の構成でRMSEの改善が最大約50%に達する。