使用機器學習和Haar級紅外光分類器改善魚類養殖
2023/09/19 @國際
摘要
由墨西哥研究團隊提出水產養殖系統中重量和質量計算非常重要，因為可以決定捕獲時期；一般情況下，以上都是人工操作，對魚本體造成應激反應維持數小時。為了解決這個問題，使用人工智慧、近紅外光譜相機、哈爾特徵分類器和數學模型實施改善方案，軟硬體設計是為了在真實條件下拍攝魚在其環境中的照片，目的是在真實條件下獲得魚的重量和長度，以避免在上述過程中用手觸碰到魚，避免魚的應激反應，並減少反應時間。
示意圖
水下物體檢測一直是挑戰，因為水影響了物體辨識，圖像分析有助於農業和醫學領域的應用，在水產養殖中，也可以使用成像檢測來執行多項任務，自動化及AIoT技術有助於從水箱培養中獲取數據，並可避免氧氣含量低、水污染、寄生蟲或疾病傳播。水產養殖場重點是魚類生長，魚的體長和寬度與魚的重量有關，資訊計算投餵率、魚的大小分類和收穫，通常這些數據是手動收集的，對於這種密集型系統來說，這是費時費力及高成本的，用手觸摸魚會使魚感到壓力，而壓力會產生皮質醇，進而影響生長。
研究重點在於減少觸碰魚，降低魚應激反應，並且自動化可以提高水產養殖業的效率並減少勞動力需求。研究團隊使用數學模型估算魚類生物量的數值觀測，而機器視覺系統（MVS）由圖像採集系統、圖像處理和統計分析組成，MVS是用於估算魚類質量和大小的非侵入性技術，可避免對魚的壓力和傷害，任務包含魚類檢測（將水下影像中魚類與非魚類物體區分）和魚類種類分類（辨識檢測到的魚種類）。圖像質量取決於拍攝時的光線條件，而近紅外（NIR）光譜不受可見光強度的影響，並可快速收集數據，另外，哈爾特徵機器學習方法來自許多不同面向的照片分類器，優點是檢測時間短、檢測率高、對光線變化的適應性強。
研究結果為使用紅外光譜相機搭濾光鏡，以減少波長，在捕魚時避免可能干擾噪音；使用哈爾特徵分類器來辨識養殖中的魚類，此研究使用比其他研究更複雜的分析，例如卷積神經網路、多列卷積神經網路、人工神經網路等，搭配使用數學模型取得良好的效果，魚在重量跟質量上皆穩定成長，預測更加準確。
研究成果已發表在MDPI應用科學期刊《農業4.0》第1期，人工智慧相關的應用將會更加普遍，該技術可以改善大多數生產系統，在為未來對於農產業營運及生產系統做出貢獻。【延伸閱讀】- AI、5G與視覺機器聯手轉型水產養殖業
資料來源
文章摘譯
