ai养殖监控系统丨网箱养殖系统

【ai养殖监控系统丨网箱养殖系统】lot物联网小编为你整理了的相关内容，希望能为你解答。

文|屏风浊影深

编辑|屏风浊影深

由于人口增长和人均水产品消费量增加，全球渔业生产面临严峻挑战。尽管技术进步已应用于渔业，但产量并未显著增加。事实上，这些进步甚至在全球范围内造成了不良的过度捕捞现象。因此，许多国家已经转向水产养殖以满足他们对水产品的需求。

在台湾，水产养殖主要采用人工方式。近30年来，台湾成立了许多高科技公司，其中一些公司致力于水产养殖业的发展。然而，在IT（信息技术）公司正在向跨国公司转变的同时，水产养殖公司却经历了有限的发展。

许多水产养殖业主维持以家庭为基础的水产养殖场，不使用IT进步来提高其运营效率。此外，台湾的传统水产养殖业主极度依赖内陆水土资源。台湾水产养殖业正进入转型期。台湾的产业、政府和学术界已经认识到将内陆水产养殖转向外海养殖的必要性。

为应对全球对水产品的高需求，近海水产养殖，尤其是网箱养殖是首选解决方案。然而，网箱养殖收益受到复杂、恶劣的海上环境和极端气候的影响；因此，网箱养殖的经营准入门槛较高。除非由该领域的专家操作，否则网箱养殖往往会遇到困难或失败。

大多数渔民对采用这种养殖方式犹豫不决，其推广也具有挑战性。只有挪威等海域条件有利的国家，才能大规模推广这种养殖方式。挪威和智利的网箱养殖占全鲑鱼总产量的近一半。为促进网箱养殖，必须解决进入作业的高门槛问题。

当前研究团队研发了基于人工智能和物联网（AIoT）的智能网箱养殖管理系统，以解决相关问题，推动网箱规模化养殖。该系统可能会增加全鱼的产量以满足不断增长的人口的需求。

目前研究团队的目标是应用人工智能创新技术，建立有用的智能网箱养殖管理系统，其中包括全方位物联网（Internet of Things）系统、水下水生生物分析和人工智能饲养系统模块，以最大限度地降低生产成本并最大限度地提高鱼类产量。

从而打造具有世界一流竞争力的水产养殖业。经济效益可促进渔业转型。渔民可以使用管理系统获取实时信息，实现最佳水产养殖效果，重振有限渔业的发展活力。

为了建立智慧文化管理的AIoT系统，我们设计了一个系统模型。我们将传感器、水下摄像机和通信系统集成到一个平台中，并将其放置在笼子中。来自旋翼机和遥控潜水器 (ROV) 的数据被集成到Omni IoT系统中，该系统可以集成饲料输送的监控和传感系统。所有获得的数据都通过通信系统传输到陆上基地，并通过互联网连接传输到云系统。

目前，研究团队使用国立台湾海洋大学（NTOU）的海洋云作为数据收集中心。使用了NTOU网箱养殖数据平台收集的传感器和摄像机数据如何呈现在海洋云平台和监控中心。通过Omni IoT系统收集的数据可用于AI计算，例如水生生物图像分析和AI喂食系统。Omni IoT系统的数据采集、数据传输到云端系统进行AI计算、反馈给系统的流程。

所有采集的大数据存储在海洋云中，方便投喂系统、鱼类行为监测分析系统、ROV系统、旋翼机AI计算，形成高效的AIoT智能网箱养殖管理系统。

结果与讨论

AI智慧网箱养殖管理系统包括Omni IoT、水下水生生物行为监测、AI投喂系统模块。在Omni IoT系统中，集成了水质传感器（包括溶解氧、温度、盐度和pH值）、摄像头、ROV和旋翼传感系统，以收集来自近海网箱的环境参数和图像数据并传输数据到防水平台。

随后，定向天线被用作远距离无线传输的主干。在数据存储、分析和人工智能计算之前，所有数据都被传输到数据中心。由此产生的信息可以作为水产养殖经营者的参考。

Ocean Cloud网页上提供了使用Omni IoT系统收集的数据。在网页上，所有数据都是有组织的。此外，无人ROV可以识别图像中鱼相对于ROV的距离和游动方向。该工具有望促进水下监测，消除对水肺潜水员的需求，从而避免风险并降低雇用水下人员的成本。

研究团队建立了一个旋翼传感系统，在该系统上安装了传感器和摄像头，并结合处理器来执行多项任务和功能，例如自动测量水质，并降低成本。

采集到的数据上传到数据中心，建立数据库。目前的系统可以使用处理器和网络摄像头来实现简单的颜色和尺寸识别。

该计算机系统的优点在于重量轻、体积小、便于执行任务。在任务执行过程中，可以观察传感器读数。

通过使用传感器、摄像头、ROV 和旋翼机，omni IoT 系统可以克服恶劣的海上环境限制。由于通信和防水技术的结合以及系统安装在近海区域，该系统不仅可以监测水质，还可以帮助监测水下图像，为人工智能训练提供数据。

我们还提供了利用人工智能技术进行鱼类活动度分析和鱼类体长体重估算的功能，即结合人工智能和图像处理，实现在养殖生物体长体重和当前活动能力的前提下进行实时估算。

无创无侵入，减少生物猝死问题。这些功能使水产养殖经营者能够快速判断养殖生物是否患病，并采取必要的对策进行传播控制。我们的研究成果未来可以应用于各种生物，比如螃蟹、墨鱼、虾等。

要达到我们的目的，首先要克服的是水下能见度严重干扰的检测。第一方面，基于深度学习的物体检测器提供的信息用于检测鱼体。著名的物体检测器包括：Faster-RCNN和YOLOv3。Faster-RCNN的优点是bounding box的精度比YOLOv3更准确，因此适合对精度要求高的任务（例如长度和重量估计）。

另一方面，YOLOv3的优势在于处理速度（fps）比Faster-RCNN更快，适用于移动性分析等快速处理任务。为了训练 Faster-RCNN和YOLOv3，我们准备了1204张标记图像并增强了2986张图像以实现令人满意的目标检测。检测到鱼后，分别使用普通立体匹配算法和线性回归方法计算长度和重量。

在这项工作中，鱼类的流动性分为三个级别，其中流动性是根据一段时间内跟踪鱼的速度来计算的。

为了评估 AI 喂食，开发一套核心软件来分析鱼类争食造成的飞溅强度。分析结果作为确定投喂时间的依据。通过飞溅强度识别鱼的食欲。系统根据鱼儿争食的程度，调整投喂时间。实验结果证实饲料损失减少。

该系统也应用于台湾屏东的近海网箱养殖和贡辽的实验场。为获得估算数据，以16个直径16 m、深度8 m的网箱养殖的鱼为例。尽管引入所述系统增加了资本成本，但据估计可以节省 30% 的人力成本和 10% 的饲料成本。

在常规水产养殖中，保守估计成活率约为50%；引入当前系统可能会将存活率提高到 55%。内部收益率从无系统时的6.47%提高到引入系统后的15.4%。在直径30m、深度15m的16个网箱中，引入系统后内部收益率从29.86%（无系统）提高到41.92%。

评估结果突出了引入该系统的优势。至关重要的是，该系统还可以降低进入水产养殖业的门槛。

本研究的目标是建立一个AIoT智能网箱养殖管理系统，包括Omni IoT、水下图像分析、AI饲养系统等模块。

Omni IoT系统包括传感器、旋翼机、ROV、水下和防水平台、通信系统和云系统，可快速收集有关网箱环境中鱼类和饲料的大数据。大数据可以帮助运营商监测和控制环境和鱼类饲养等参数。此外，收集的大数据可以帮助分析水下水生生物图像和AI计算中的AI喂养系统模块。水下图像处理技术为水产养殖经营者提供了实时图像分析和当前生物状态的非侵入式和非侵入式方法。

AI投喂时间由鱼类争食引起的飞溅强度决定。实验结果证实，将AI纳入自动喂料系统减少了剩余饲料量。拟议的AIoT养殖技术可以帮助水产经营者进行专业水产养殖，降低行业进入的经营门槛，促进网箱养殖。

【1】Frank, F., & Smith, MD (2018)。促进渔业和水产养殖业的创新。食品政策， 76，1-7。

【2】Daniel, B.、Sardenberg, B.、Hoenig, R.、Welch, A.、Stieglitz, J.、Miralao, S.、Farkas, D.、Brown, P. 和 Jory, D. (2010)。军曹鱼 (Rachycentron canadum) 从孵化场到市场的水产养殖技术：迈阿密大学实验孵化场 (UMEH) 的最新进展。Revista Brasileira de Zootecnia， 39，60–67。

【3】阿道夫，A.（2010 年）。发展中新兴经济体从事离岸和近海水产养殖的挑战：案例研究的视角。A. Lovatelli、J. Aguilar-Manjarrez 和 D. Soto（编辑），将海水养殖扩展到离岸更远的地方：技术、环境、空间和治理方面的挑战。粮农组织。

【4】Bjelland, HV, Føre, M., Lader, P., Kristiansen, D., Holmen, IM, Fredheim, A., Grøtli, EI, Fathi, DE, Oppedal, F., Utne, IB, & Schjølberg, I. (2015)。挪威的裸露水产养殖。海洋 2015-MTS/IEEE 华盛顿。

【5】理查德·L.（2012 年）。海洋网箱养殖。JH Tidwell（主编），水产养殖生产系统（第 135-157 页）。威利。

【6】Balakrishnan, S.、Rani, SS 和 Ramya, KC (2019)。云环境下基于物联网的智慧水产养殖系统的设计与开发。国际海洋与海洋学杂志， 13 (1), 121–127。

【7】Dockstader, SL, & Tekalp, AM (2001)。用于多目标跟踪的多摄像机融合。IEEE。

【8】Qin, H., Li, X., Liang, J., Peng, Y., & Zhang, C. (2016)。DeepFish：具有深度架构的准确水下活鱼识别。神经计算， 187，49–58。

【9】Chen, Y., Zhen, Z., Yu, H., & Xu, J. (2017)。故障树分析和模糊神经网络在水产养殖物联网故障诊断中的应用。传感器， 17 (1), 153。

【10】Chuang, M.、Hwang, J. 和 Williams, K. (2016)。水下鱼类图像的特征学习和目标识别框架。IEEE 图像处理汇刊， 25 (4)，1862–1872。

【11】Máthé, K., & Buşoniu, L. (2015)。无人机的视觉和控制：对基础设施检查的一般方法和廉价平台的调查。传感器， 15 (7)，14887–14916。

【12】Máthé, K., & Buşoniu, L. (2015)。无人机的视觉和控制：对基础设施检查的一般方法和廉价平台的调查。传感器， 15 (7)，14887–14916。

【13】Atoum, Y.、Steven, S. 和 Liu, X. (2014)。密养养殖鱼缸自动投料控制。IEEE 信号处理快报， 22 (8)，1089–1093。

#历史开讲#

以上内容为【ai养殖监控系统丨网箱养殖系统】的相关内容，更多相关内容关注lot物联网。