Интеграция искусственного интеллекта (AI) и интернета вещей (IoT), известная как искусственный интеллект вещей (AIoT), становится двигателем значительных достижений в аквакультуре, предлагая решения для давних проблем, связанных с операционной эффективностью, устойчивостью и производительностью.

В данном обзоре рассматриваются последние исследования в области применения AIoT в аквакультуре с акцентом на:

• мониторинг окружающей среды в реальном времени,
• принятие решений на основе данных,
• автоматизацию процессов.

Датчики IoT, установленные в аквакультурных системах, непрерывно отслеживают ключевые параметры, такие как температура, pH, содержание растворённого кислорода, солёность и поведение рыбы. Алгоритмы искусственного интеллекта обрабатывают эти потоки данных, предоставляя прогнозные выводы по управлению качеством воды, выявлению заболеваний, идентификации видов, оценке биомассы и оптимизации стратегий кормления.

Хотя внедрение AIoT в аквакультуру даёт преимущества по многим направлениям, остаются и многочисленные вызовы, включая высокую стоимость реализации, вопросы конфиденциальности данных и необходимость в масштабируемых и адаптивных моделях искусственного интеллекта для различных условий аквакультуры.

Обзор также выделяет перспективные направления развития AIoT в аквакультуре, подчёркивая потенциал гибридных моделей искусственного интеллекта, улучшение масштабируемости для крупных производств и устойчивое управление ресурсами.

Статья составлена на основе обзорной статьи: Yo-Ping Huang, Simon Peter Khabusi. Artificial Intelligence of Things (AIoT) Advances in Aquaculture: A Review. Processes 2025, 13(1), 73

Введение

Аквакультура, более известная как рыбоводство, предполагает выращивание водных организмов в контролируемых условиях [1]. Она играет ключевую роль в удовлетворении растущего мирового спроса на морепродукты, одновременно снижая нагрузку на популяции дикой рыбы [2]. Эта практика охватывает не только рыбу, но и широкий спектр водных видов, культивируемых для получения пищи, восстановления экосистем и декоративных целей [3,4].

Наиболее значимую группу в аквакультуре составляют рыбы. Такие виды, как лосось, тилапия, сом, форель, карп и морской окунь, активно разводятся благодаря своей коммерческой ценности и приспособленности к условиям рыбоводных хозяйств [4,5]. Помимо рыб, важную роль играют ракообразные, такие как креветки и крабы, особенно в регионах с высоким спросом на них. Разведение креветок, в частности, стало основой мирового экспорта аквакультуры [6,7].

Моллюски, включая гребешков, устриц и мидий, представляют ещё одну ключевую категорию. Они ценятся за экономическую и пищевую значимость и часто выращиваются в морских условиях. Жемчуг, производимый определёнными видами устриц, является примером пересечения аквакультуры с индустрией предметов роскоши. Разведение кораллов, хотя и остаётся нишевым направлением, приобретает всё большее значение для декоративной торговли и экологического восстановления, особенно в проектах по реабилитации разрушенных коралловых рифов [8,9].

Другие культивируемые виды включают медуз (для гастрономических целей и управления экосистемами), а также водных макробеспозвоночных, которые используются как индикаторы состояния окружающей среды и применяются в экологических исследованиях [10,11]. Фитопланктон, играющий важнейшую роль в пищевой цепи, также выращивается в аквакультуре ради его экологической и пищевой ценности [12,13]. Водные растения, такие как морские водоросли и альгии, расширяют спектр направлений аквакультуры — от продуктов питания до косметики и биотоплива [1,14].

Это разнообразие видов отражает адаптивность и значимость аквакультуры в решении глобальных вызовов: продовольственной безопасности, экологической устойчивости и экономического развития.

Аквакультура продолжает развиваться как важнейший элемент современного сельского хозяйства и экологического управления благодаря внедрению AIoT, объединяющего искусственный интеллект (AI) и интернет вещей (IoT) для оптимизации рыбоводных практик. Например, цифровые двойники обеспечивают мониторинг и принятие решений в реальном времени [15], устойчивые IoT-решения сокращают потери ресурсов и повышают экологическую устойчивость [16], системы на базе IoT улучшают выявление заболеваний и управление здоровьем [17], а AIoT-платформы для контроля качества воды повышают эффективность и масштабируемость процессов [18,19].

Развитие IoT-устройств (датчиков, камер и систем мониторинга) радикально изменило процесс сбора данных в удалённых и динамичных аквакультурных средах [20,21]. Эти устройства обеспечивают непрерывный поток информации о ключевых параметрах — таких как качество воды, поведение рыб, режим кормления и условия окружающей среды. Алгоритмы искусственного интеллекта анализируют эти данные, формируя практические рекомендации для принятия решений в реальном времени и автономного управления. Это снижает уровень человеческого вмешательства и обеспечивает более «умные» и устойчивые практики [22,23].

Базовая IoT-инфраструктура в аквакультуре включает устройства сбора данных, коммуникационные шлюзы и облачные платформы для хранения и обработки информации [20]. Такая архитектура поддерживает мониторинг и анализ параметров в реальном времени, включая температуру, солёность, pH и содержание растворённого кислорода — показатели, критически важные для поддержания оптимальных условий [24]. Облачные вычисления позволяют обрабатывать большие массивы данных параллельно и масштабируемо, формируя надёжную платформу для интеграции ИИ в аквакультурные системы [24].

Применение AIoT в аквакультуре охватывает широкий спектр инноваций: интеллектуальные кормовые системы, управление качеством воды, диагностику заболеваний, оценку биомассы, мониторинг поведения рыбы, подсчёт организмов, сегментацию и классификацию видов, селекцию и прогнозирование роста, отслеживание отдельных особей, а также автоматизацию и роботизацию.

Например, IoT-поддерживаемые интеллектуальные кормовые системы, описанные в [25], используют данные от датчиков и подводных камер для мониторинга поведения рыб и оптимизации расписания и объёмов кормления. Применённые модели ИИ анализируют собранные данные, чтобы обеспечить достаточное питание при минимизации отходов, ускоряя рост и снижая экологическое воздействие.

В управлении качеством воды IoT-датчики контролируют температуру, pH, уровень растворённого кислорода и аммиака, а предиктивные модели на основе ИИ используют эти данные для прогнозирования изменений и рекомендаций по вмешательствам [26,27]. Методы глубокого обучения, например, сети LSTM, анализируют временные ряды для прогнозирования дефицита кислорода [26,28], что позволяет заранее корректировать аэрацию. Алгоритмы обучения с подкреплением динамически оптимизируют стратегии управления водой, сочетая энергоэффективность и экологическую стабильность.

Раннее выявление и профилактика болезней критически важны для снижения потерь, и AIoT-системы дают значительный прогресс в этой области. IoT-камеры делают высококачественные снимки рыб, которые анализируются моделями глубокого обучения, такими как YOLO и U-Net, для выявления ранних признаков заболеваний (например, поражений кожи или аномального поведения) [21,29,30,31]. В исследовании [21] AIoT-технологии использовались для раннего обнаружения подобных симптомов, что дало возможность оперативного вмешательства и предотвращения эпидемий.

Другие приложения, такие как сегментация видов, подсчёт особей и оптимизация разведения, демонстрируют универсальность AIoT. Модели на основе сверточных нейронных сетей (например, ResNet и VGG) помогают в идентификации видов и мониторинге популяций, обеспечивая соблюдение нормативов и сохранение биоразнообразия [32,33]. Селекционные программы выигрывают от использования моделей ИИ, которые анализируют генетические и экологические данные для прогнозирования таких признаков, как устойчивость к болезням и эффективность роста, повышая продуктивность и устойчивость.

Робототехника и автономные системы, интегрированные с AIoT, трансформируют аквакультуру. Автономные подводные аппараты (AUV), оснащённые камерами и сенсорами, выполняют такие задачи, как очистка резервуаров, инспекция рыб и доставка корма с высокой точностью и минимальным вмешательством человека [34]. Алгоритмы обучения с подкреплением повышают возможности этих систем, позволяя адаптироваться к сложным условиям и находить оптимальные стратегии путём проб и ошибок [35].

Эти достижения особенно значимы для аквакультурной отрасли, которая за последние десятилетия демонстрирует экспоненциальный рост. С 1950-х годов доля аквакультуры в общемировом вылове увеличилась с 4% до почти половины от всего производства рыбы в 2020 году, когда её рыночная стоимость оценивалась в 265 млрд долларов США [2,36]. К 2030 году ожидается, что на аквакультуру будет приходиться более половины мирового объёма рыбы.

Хотя отрасль по-прежнему сталкивается с проблемами — колебаниями окружающей среды, вспышками болезней и дефицитом кормов [37] — системы AIoT обладают уникальным потенциалом для их решения благодаря интеграции предиктивной аналитики, мониторинга в реальном времени и автономного принятия решений. Более того, новые технологии, такие как edge-вычисления, блокчейн и гибридные модели ИИ, открывают дополнительные перспективы для развития AIoT в аквакультуре [38]. Edge-вычисления обеспечивают более быстрое и децентрализованное обработку данных, снижая задержки при принятии решений, а блокчейн повышает безопасность и отслеживаемость данных [39].

Область охвата и методология

Этот обзор систематически исследует достижения AIoT в аквакультуре, уделяя особое внимание приложениям в области мониторинга окружающей среды в реальном времени, принятия решений на основе данных и автоматизации, предоставляя всеобъемлющий анализ литературы, опубликованной в период с 2012 по 2024 годы. Используемая методология была разработана для обеспечения научной строгости, комплексного охвата и актуальности рассматриваемого материала.

Выбор баз данных:
Для сбора релевантной литературы в обзоре использовались авторитетные академические базы данных. Основные источники включали:

• IEEE Xplore — для исследований по технологиям AIoT и системам на основе датчиков;
• ScienceDirect — для доступа к журналам, посвящённым практикам аквакультуры, мониторингу окружающей среды и автоматизации;
• SpringerLink — для междисциплинарных статей, связывающих аквакультуру и достижения AIoT;
• Web of Science — для включения высокоиндексируемых, рецензируемых статей по соответствующим направлениям;
• PubMed — для исследований в области биосенсоров и выявления заболеваний у видов аквакультуры;
• Google Scholar — для дополнения поиска серой литературой, включая материалы конференций и препринты.

Стратегия поиска:
Была принята структурированная стратегия поиска с использованием комбинаций заранее определённых ключевых слов. Основные поисковые запросы включали следующие:

• «искусственный интеллект в аквакультуре»;
• «интернет вещей в аквакультуре»;
• «AIoT для рыбоводства»;
• «умные системы кормления AIoT»;
• «управление качеством воды IoT»;
• «выявление заболеваний у рыб с помощью AI»;
• «автоматизация в аквакультуре»;
• «робототехника и AI в аквакультуре».

Эти ключевые слова были расширены за счёт синонимов и связанных терминов, таких как «интеллектуальная аквакультура», «машинное обучение в аквакультуре», «системы мониторинга на основе IoT в рыбоводстве». Итеративный процесс поиска обеспечил комплексный охват релевантной литературы.

Область и фокус обзора:
Настоящий обзор всесторонне анализирует достижения в применении AIoT в аквакультуре, основываясь на 215 научных публикациях, опубликованных в период с 2012 по 2024 годы. Работы систематически классифицированы по десяти ключевым направлениям применения:

1. умные системы кормления,
2. управление качеством воды,
3. выявление заболеваний,
4. оценка биомассы рыбы,
5. мониторинг поведения рыбы,
6. подсчёт организмов,
7. сегментация и классификация видов,
8. оценка размножения и роста,
9. отслеживание отдельных особей,
10. автоматизация и робототехника.

Кроме того, в обзоре рассматриваются преимущества AIoT, проблемы внедрения (такие как высокие затраты, вопросы конфиденциальности данных и необходимость масштабируемых и адаптируемых моделей AI в различных условиях аквакультуры), а также выделяются будущие тенденции — развитие гибридных моделей, решения для масштабируемости и роль AIoT в содействии устойчивым практикам аквакультуры. Обеспечивая детальный анализ долгосрочного потенциала AIoT, статья подчёркивает его преобразующую роль в развитии мировой аквакультуры и устойчивости.

Критерии включения и исключения:
Для обеспечения актуальности и качества были применены следующие критерии:

• Критерии включения: рецензируемые журнальные статьи, материалы конференций и главы книг, работы, явно посвящённые приложениям AIoT в аквакультуре, с акцентом на мониторинг в реальном времени, автоматизацию и принятие решений; исследования, опубликованные в период с 2012 по 2024 годы.
• Критерии исключения: статьи, написанные не на английском языке, и работы, не обладающие технической глубиной или не имеющие прямой связи между AI и IoT в системах аквакультуры.

Первоначальный пул из 402 статей был сокращён посредством отбора по названию и аннотациям, последующей полной оценки текста и приоритизации по критериям новизны, технической глубины и соответствия тематике, в результате чего был сформирован окончательный набор из 215 исследований.

Вклад исследования:
Данный обзор вносит значительный вклад в литературу по интеграции AIoT в аквакультуру, выделяясь беспрецедентной широтой и глубиной анализа:

1. Статья систематически классифицирует 215 исследований (2012–н.в.) по десяти направлениям применения, предлагая целостное представление о достижениях, проблемах и возможностях AIoT в аквакультуре. Такая организация обеспечивает понимание, недостижимое в предыдущих обзорах.
2. Насколько нам известно, это исследование является самым масштабным обзором приложений AIoT в аквакультуре, интегрирующим разноплановые данные для демонстрации преобразующего потенциала этих технологий и служащим фундаментальным ресурсом для междисциплинарных исследований и инноваций.
3. Обзор рассматривает ключевые барьеры внедрения, такие как высокие затраты, проблемы конфиденциальности данных и вопросы масштабируемости. Также исследуются будущие направления, включая разработку гибридных моделей AI, использование блокчейна для безопасного управления данными и внедрение edge-computing для работы в реальном времени и удалённых операций.

2. Компоненты AIoT в аквакультуре

Интеграция AIoT в аквакультуру опирается на два основных компонента: датчики IoT для сбора данных в реальном времени и алгоритмы искусственного интеллекта для обработки данных и поддержки принятия решений. Датчики IoT непрерывно отслеживают ключевые экологические и биологические факторы, такие как качество воды (pH, температура, растворённый кислород) и поведение рыб. Развёртывание датчиков поддерживается современными коммуникационными протоколами, такими как LoRa, NB-IoT и 5G, которые обеспечивают надёжную передачу данных от удалённых хозяйств к центральным системам управления. Эти компоненты, показанные на Рисунке 1, работают совместно для повышения эффективности, снижения потерь и улучшения устойчивости аквакультурных операций за счёт внедрения автоматизированных практик управления, основанных на данных.

2.1. Датчики IoT

Датчики IoT являются ключевым элементом преобразования аквакультуры благодаря сбору данных и мониторингу в реальном времени, позволяя точно управлять как экологическими, так и биологическими параметрами, важными для поддержания здоровых водных экосистем [20].

Например, уровни растворённого кислорода, которые естественным образом колеблются в течение суток, могут отслеживаться в реальном времени, чтобы предупреждать фермеров о потенциально опасных падениях, позволяя своевременно включать системы аэрации [40].

Температурные датчики также обеспечивают быстрое выявление резких колебаний температуры, что позволяет поддерживать оптимальные условия для снижения стресса у рыбы и предотвращения теплового шока [41].

Кроме того, датчики IoT поддерживают создание систем раннего предупреждения о таких проблемах, как вспышки заболеваний, неэффективность кормления и загрязнение воды [42].

2.1.1. Датчики качества воды

Датчики качества воды играют решающую роль в поддержании здоровья и продуктивности аквакультурных систем, обеспечивая непрерывный мониторинг критических параметров: pH, температуры, растворённого кислорода, солёности и аммиака.

Исследования [16,19,26] показали, что именно эти факторы оказывают значительное влияние на физиологическое состояние и рост водных организмов. Даже незначительные отклонения могут привести к стрессу, восприимчивости к болезням и, в тяжёлых случаях, к гибели [26].

Современные разработки направлены на повышение точности, долговечности и экономичности датчиков, чтобы обеспечить высокий уровень контроля качества воды в аквакультуре.

• Измерение pH:Для контроля кислотности воды чаще всего используются стеклянные электроды и ионо-чувствительные полевые транзисторы (ISFET).
  • Стеклянные электроды надёжны, но требуют регулярной калибровки и подвержены биозагрязнению, что снижает их долговечность [44].
  • Датчики ISFET обладают большей устойчивостью к дрейфу и долговечностью, что делает их более подходящими для агрессивных водных условий [44].
• Температурные датчики:Наиболее распространены термопары и резистивные термометры (RTD), позволяющие поддерживать оптимальные условия для метаболизма и роста рыб.
• Растворённый кислород (DO):Ключевой параметр, необходимый для предотвращения гипоксии.
  • Электрохимические датчики (например, электрод Кларка) работают по амперометрическому принципу, но требуют регулярного обслуживания из-за загрязнения мембран [27].
  • Оптические датчики DO, основанные на гашении флуоресценции кислородом, обеспечивают высокую точность и неинвазивность, хотя стоят дороже и со временем подвержены деградации.
• Солёность:Важна для поддержания осмотического баланса у рыб. Измеряется с помощью кондуктометрических датчиков, чаще всего индуктивных.
  • Индуктивные сенсоры долговечнее, так как их элементы не контактируют напрямую с водой, что снижает риск биозагрязнения и коррозии [45,46].
• Аммиак:Побочный продукт метаболизма, токсичный для рыб.
  • Для измерения используют ион-селективные электроды (ISE) и колориметрические датчики.
  • ISE точны, но склонны к дрейфу и требуют частой калибровки [47].
  • Колориметрические методы медленнее и хуже подходят для систем с высокой плотностью рыб [48].

В целом, современные технологии мониторинга качества воды обеспечивают интегрированный подход к контролю среды, но остаются вызовы: дрейф датчиков, биозагрязнение, частое обслуживание. Поэтому исследования направлены на разработку новых материалов, покрытий против биозагрязнения и многодатчиковых систем для повышения точности и надёжности [49].

2.1.2. Оптические датчики

Оптические датчики широко применяются в аквакультуре для контроля качества воды, предоставляя информацию о мутности и прозрачности воды — ключевых индикаторах состояния водной среды.

• Мутность воды может быть вызвана частицами грунта, органикой или планктоном, что ухудшает здоровье рыб, снижает уровень кислорода, изменяет светопроницаемость и другие параметры [42]. Повышенная мутность часто связана с загрязнением или цветением фитопланктона, что повышает риск болезней [44].
• Принцип работы:
  Оптические датчики мутности используют свет, фиксируя либо его рассеяние, либо поглощение взвешенными частицами.
• Камеры и компьютерное зрение:
  Используются для анализа поведения рыб.
  • Позволяют отслеживать движение и пространственное распределение в резервуарах в реальном времени.
  • Исследования показывают, что изменения в скорости плавания, частоте разворотов и хаотичности движений являются индикаторами стресса или заболеваний [50,51].
  • Компьютерное зрение также помогает оптимизировать кормление, сопоставляя поведение рыб с их реакцией на корм, что снижает его перерасход [8].
• Ограничения:
  Основная проблема — биозагрязнение, которое может препятствовать прохождению света и снижать точность измерений [42].

Тем не менее, оптические датчики мутности остаются практичным и экономичным решением для управления качеством воды. Их высокая чувствительность к изменениям прозрачности позволяет быстро реагировать на ухудшение условий, предотвращая негативное влияние на здоровье и продуктивность рыб в аквакультуре.

2. Компоненты AIoT в аквакультуре

Интеграция AIoT в аквакультуре опирается на два основных компонента: IoT-сенсоры для сбора данных в реальном времени и AI-алгоритмы для обработки данных и поддержки принятия решений. IoT-сенсоры непрерывно отслеживают ключевые экологические и биологические факторы, такие как качество воды (pH, температура, растворённый кислород) и поведение рыб. Развёртывание сенсоров поддерживается современными коммуникационными протоколами, такими как LoRa, NB-IoT и 5G, что обеспечивает надёжную передачу данных с удалённых хозяйств в центральные системы управления. Эти компоненты, как показано на рисунке 1, работают совместно для повышения эффективности, сокращения отходов и улучшения устойчивости аквакультурных операций за счёт автоматизированного управления на основе данных.

2.1.3. Датчики движения

Датчики движения, включая акселерометры, играют ключевую роль в мониторинге двигательной активности, поведения при кормлении и признаков стресса. Эти сенсоры позволяют использовать неинвазивный подход к отслеживанию активности и состояния рыб, что имеет важное значение для поддержания их здоровья и продуктивности.

Акселерометры, как правило, встраиваются в метки или прикрепляются снаружи и обеспечивают высокоточные данные о движениях отдельной рыбы, например о частоте ударов хвостом, резких ускорениях или периодах отдыха. Эти данные дают ценные сведения о метаболизме, уровне активности и пищевом поведении. Исследования показали, что мониторинг с помощью акселерометров эффективен для выявления тонких изменений, которые могут быть незаметны при визуальном наблюдении, например увеличения активности из-за ухудшения качества воды или снижения активности при заболевании [52].

Интеграция акселерометров с телеметрическими системами дополнительно позволила осуществлять дистанционный мониторинг поведения в реальном времени, улучшая способность оперативно реагировать на изменения состояния здоровья рыб.

2.1.4. Стратегии развертывания

Эффективные стратегии развертывания IoT-сенсоров в аквакультуре необходимы для обеспечения максимальной точности и надёжности данных, а также для соответствия конкретным экологическим и операционным требованиям.

Выбор подходящего беспроводного протокола связи является одним из ключевых факторов. Наиболее часто используются LoRa, NB-IoT и 5G, каждая технология имеет свои преимущества. Например, LoRa широко применяется в крупномасштабных и удалённых аквакультурных хозяйствах благодаря дальности передачи и низкому энергопотреблению, что позволяет эффективно мониторить труднодоступные территории [42].

В отличие от этого, технология 5G находит всё большее применение в условиях, где требуется высокая пропускная способность и низкая задержка, особенно для передачи видео высокой частоты, используемого при мониторинге поведения в реальном времени [52]. NB-IoT также является жизнеспособным решением, особенно там, где важны энергоэффективность и дальность передачи, но не нужны большие объёмы данных, как в случае 5G, например для передачи информации с датчиков растворённого кислорода или pH-метров [38].

Размещение сенсоров — ещё один важный аспект развертывания [38]. Стратегическое распределение на разных глубинах и в разных точках прудов, резервуаров или садков позволяет получить комплексное представление об экологических параметрах — от температурных градиентов до уровней кислорода, которые могут существенно различаться даже в пределах одного водоёма.

2.2. AI-алгоритмы

AI-алгоритмы имеют решающее значение для преобразования большого объёма данных, собираемых IoT-сенсорами, в практические рекомендации. Они трансформируют практику управления хозяйствами за счёт предиктивного моделирования, автоматизации и оптимизации процессов, таких как кормление и управление качеством воды.

Интеграция методов машинного обучения (ML), глубокого обучения (DL), компьютерного зрения, обработки изображений и нечеткой логики в аквакультуре позволяет эффективно работать с разнородными и сложными наборами данных, каждая из технологий решает специфические задачи.

2.2.1. Машинное обучение (ML)

ML предлагает мощные методы для предиктивной аналитики и распознавания закономерностей, особенно при работе со структурированными данными от IoT-сенсоров.

Алгоритмы ML делятся на обучение с учителем, без учителя и обучение с подкреплением, которые выявляют сложные связи в данных и позволяют фермерам предсказывать изменения и принимать обоснованные решения для оптимизации работы.

• Обучение с учителем используется для задач классификации и регрессии.
  • Классификация: модели, такие как SVM, деревья решений (DT), случайные леса (RF), k-ближайших соседей (KNN) и логистическая регрессия (LR), могут классифицировать качество воды как «безопасное» или «опасное», помогая оперативно реагировать на угрозы. Также классификация применяется для ранней диагностики болезней рыб на основе изображений или поведенческих данных.
  • Регрессия: модели, такие как линейная регрессия или нейросети, прогнозируют непрерывные величины, например будущую температуру воды или темпы роста рыб.
• Обучение без учителя применяется для кластеризации — группировки данных без заранее заданных меток. Методы, такие как k-means, иерархическая кластеризация и DBSCAN, позволяют выявлять аномалии в параметрах качества воды или выделять группы рыб по особенностям кормления.
• Обучение с подкреплением (RL) позволяет агенту обучаться через взаимодействие с окружающей средой, получая вознаграждения или штрафы. Этот подход особенно подходит для динамичных процессов, таких как оптимизация режимов кормления или аэрации.
  • Методы: Q-learning, DQN, Policy Gradient, Actor–Critic.
  • Пример: Q-learning помогает подобрать оптимальные настройки аэрации на основе данных о кислороде и pH. DQN используется для анализа коллективного поведения рыб по видеоданным, а Actor–Critic позволяет балансировать между затратами на корма и долгосрочным ростом.

2.2.2. Глубокое обучение (DL)

DL использует нейросети с несколькими слоями и особенно эффективно при обработке больших и сложных данных.

• FNN — для численных данных (например, прогнозирование pH).
• CNN (VGG, ResNet) — для анализа изображений, например, идентификации видов рыб.
• U-Net — для сегментации (выделение рыб в подводных видео).
• YOLO — для детекции объектов в реальном времени (например, хищников).
• RNN и LSTM — для временных рядов (прогнозирование кислорода, температуры).
• Автоэнкодеры — для выявления аномалий в данных сенсоров.
• MLP — для классификации и прогнозирования на структурированных данных.

2.2.3. Компьютерное зрение и обработка изображений

Компьютерное зрение используется для анализа видеоданных: отслеживания движения рыб, выявления стрессовых состояний, диагностики заболеваний. Методы сегментации, выделения контуров и трекинга позволяют оценивать биомассу, отслеживать отдельных рыб и формировать стратегии управления.

2.2.4. Нечёткая логика

Нечёткая логика имитирует человеческое мышление и хорошо работает в условиях неопределённости, характерных для аквакультуры.

• В [29] U-Net совмещается с нейро-нечёткой системой для классификации болезней рыб.
• В [53] нечеткая система оптимизирует кормление, снижая потери и ускоряя рост.
• В [54] используется нечеткая нейросеть для экспертной диагностики болезней, объединяя экспертные знания и данные сенсоров.

Эти примеры подтверждают важность нечеткой логики для повышения эффективности и устойчивости аквакультуры.

2.3. Конвейер AIoT

Общий конвейер AIoT для автоматизации операций в аквакультуре представлен на рисунке 2.

Этот конвейер начинается со сбора данных. Датчики IoT, подводные камеры и системы аэрофотосъемки собирают данные в реальном времени о таких критически важных параметрах, как качество воды, поведение рыб, кормовая активность и условия окружающей среды. Этот этап обеспечивает непрерывный и точный сбор данных, формируя основу для всех последующих анализов.

После сбора данные передаются по беспроводной связи на централизованные или облачные серверы для обработки. Модули беспроводной связи обеспечивают безопасную и эффективную передачу, минимизируя задержки и потери данных и позволяя бесшовную интеграцию между устройствами и системами.

Прежде чем данные будут обработаны алгоритмами ИИ, они проходят этап предварительной обработки. Применяются такие методы, как фильтрация, аугментация, удаление размытия, нормализация и интеграция данных, чтобы очистить и структурировать их, обеспечив качество и согласованность для надежного анализа.

В центре конвейера находится этап обработки алгоритмами ИИ, где передовые модели машинного обучения и искусственного интеллекта анализируют предварительно обработанные данные для извлечения практических выводов. Этот шаг охватывает широкий спектр задач, адаптированных к конкретным потребностям аквакультуры. Например, интеллектуальные системы кормления оптимизируют графики кормления на основе поведения рыб и факторов окружающей среды, в то время как алгоритмы управления качеством воды прогнозируют и поддерживают оптимальные параметры. ИИ также используется для мониторинга поведения, чтобы выявлять стрессоры или аномальные модели активности, подсчета организмов для точной оценки запасов, а также сегментации и классификации видов аквакультуры для контроля биоразнообразия и здоровья популяций [55].

3. Применения AIoT в аквакультуре

Интеграция AIoT в аквакультуру революционизирует управление хозяйствами, объединяя сбор данных датчиков IoT в реальном времени с продвинутой аналитикой на базе ИИ. Эта синергия повышает эффективность, устойчивость и производительность аквакультурных операций. Существующие применения AIoT обобщены на рисунке 3.

На рисунке 3 показаны:

• Интеллектуальные системы кормления — ключевая область применения, где модели ИИ, такие как ResNet [56] и градиентный бустинг [57], анализируют поведение рыб и кормовые паттерны для автоматизации графиков кормления. Эти системы улучшают коэффициенты конверсии корма (FCR) и темпы роста, минимизируя отходы. Однако их эффективность часто зависит от видоспецифического поведения и условий окружающей среды.
• Системы управления качеством воды используют датчики IoT и предиктивные модели, такие как LSTM [26,28] и фильтр Калмана [58], для мониторинга критических параметров (растворенный кислород, pH, температура). Эти системы позволяют вмешиваться в реальном времени и поддерживать оптимальные условия, хотя проблемы, такие как биологическое обрастание датчиков и необходимость калибровки в разных средах, остаются актуальными.
• Обнаружение и классификация болезней — модели ИИ, такие как YOLO, U-Net и биосенсоры [21,29,30,31], выявляют ранние признаки заболеваний по визуальным и физиологическим данным, достигая высокой точности. Однако ограниченность разнообразных датасетов и слабая межвидовая переносимость сдерживают их широкое применение.
• Оценка биомассы рыб с помощью компьютерного зрения, сонарной съемки и Structure from Motion (SfM) дает точные оценки размеров и плотности рыб в реальном времени [59]. Эти методы критически важны для прогнозирования урожайности и оптимизации ресурсов, но сталкиваются с проблемами мутности воды и изменчивости освещения.
• Системы детекции поведения используют акустический мониторинг и модели глубокого обучения для анализа паттернов, сигнализирующих стресс, болезни или потребность в кормлении. Хотя эти системы обладают высокой точностью, помехи от окружающей среды и скученность могут ограничивать их эффективность.
• Подсчет аквакультурных организмов автоматизирует оценку запасов с использованием моделей детекции объектов, таких как YOLOv5 и Faster R-CNN [6,60–66]. Эти системы упрощают управление популяцией, но страдают от проблем с перекрытием объектов в условиях высокой плотности.
• Сегментация, детекция и классификация — передовые модели ИИ, такие как Mask R-CNN и трансформеры, используются для различения видов и мониторинга биоразнообразия [10,11,14]. Однако остаются проблемы с детекцией мелких объектов и внедрением в реальном времени.
• Системы оценки роста и разведения оптимизируют программы разведения, контролируя зрелость и темпы роста рыб с помощью ИИ и технологий 3D-реконструкции. Но такие методы часто плохо адаптируются к разным видам и требуют постоянной интеграции данных для практического применения.
• Системы отслеживания и индивидуализации рыб используют алгоритмы отслеживания, такие как Deep SORT и гауссовские модели, для мониторинга движения и здоровья отдельных особей. Эти системы улучшают поведенческий анализ, но страдают от ошибок идентификации и перекрытия объектов в плотных популяциях.
• Автоматизация и роботизация в аквакультуре предполагает использование автономных подводных аппаратов (AUV) и алгоритмов обучения с подкреплением для автоматизации таких задач, как очистка резервуаров, инспекция рыб и доставка корма. Роботы повышают операционную эффективность, но их масштабирование ограничено из-за проблем с батареями, связью и высокими затратами внедрения.

Эти разнообразные применения решают широкий спектр задач — от оптимизации кормления до внедрения автономных операций. Для комплексного обзора последних достижений в десяти направлениях применения AIoT в аквакультуре в Таблице 1 приведено техническое сравнение, включающее используемые датасеты, технологии, ключевые исследования, результаты, ограничения и будущие направления.

3.1. Интеллектуальные системы кормления

Интеллектуальные системы кормления представляют собой одно из наиболее трансформационных направлений применения в аквакультуре. Эти системы отслеживают кормовую активность рыб и параметры окружающей среды для автоматизации процессов кормления, обеспечивая организмам необходимое количество пищи в оптимальное время.

Проведенные исследования заложили прочную основу для таких систем, изучая методы повышения эффективности кормления. Эти методы (подробнее в следующих подразделах) включают:

• оптимизацию частоты кормления и распределения питательных веществ с использованием моделей GBM и биоэнергетических моделей для улучшения роста [57,67];
• автоматическое определение кормового поведения с помощью передовых методов компьютерного зрения (например, моделей R(2+1)D и усовершенствованной ResNet34) и систем реального времени [23,56,68];
• акустический мониторинг для корреляции интенсивности звука кормления с уровнем голода и классификации интенсивности кормления с помощью моделей вроде ASST [69,70];
• AI-усиленные системы точного кормления (например, MLPNN и гибридные модели типа FFAUNet-ANFIS) для динамической корректировки кормления [25,53];
• интеграцию мультимодальных данных (ЭКГ, данные датчиков окружающей среды и др.) для комплексного понимания кормового поведения [8,71].

3.1.1. Частота кормления и потребности в питательных веществах

Эффективные интеллектуальные системы кормления, оптимизирующие использование корма и показатели роста для разных видов, имеют ключевое значение в аквакультуре.

Так, в [57] исследовано влияние частоты кормления на рост рыб с использованием модели GBM. Авторы оптимизировали FCR и среднесуточный прирост (ADG), достигнув высокой точности прогнозов и коэффициентов детерминации R² = 93,03% и 72,49%. Установлено, что повышение частоты кормления снижает FCR, а кормление до насыщения максимизирует ADG.

В [67] применена биоэнергетическая и белковая модель для оптимизации кормления у морского леща (gilthead seabream), достигнув улучшения конечной массы рыбы на 46,85% путем корректировки состава и частоты кормления. Эти исследования подчеркивают значимость баланса частоты и состава корма для оптимального роста и снижения отходов, а также необходимость адаптированных графиков кормления для разных видов.

3.1.2. Автоматическое определение кормового поведения

Автоматическая детекция кормового поведения критически важна для определения, насытилась ли рыба или нуждается в дополнительном корме.

В [23] предложена система компьютерного зрения с моделью глубокого обучения R(2+1)D для детекции кормления по анализу возмущений водной поверхности во время и после кормления. Достигнута точность классификации 93,2%. Этот метод перспективен для мутных водоемов, хотя требует адаптации под конкретные виды.

В [56] усовершенствованная ResNet34 с модулем CBAM применена для классификации интенсивности кормления у тилапии, достигнув точности 99,72%.

В [68] разработана система для высокоплотных рыбных садков, в которой используется SVM-классификатор с фильтрацией частиц для повышения точности определения корма в реальном времени.

Эти исследования демонстрируют универсальность и эффективность AIoT в различных условиях аквакультуры, хотя выявляют проблемы с адаптацией к конкретным видам и средам.

3.1.3. Акустический мониторинг и поведенческий анализ

Акустический мониторинг — еще один эффективный метод анализа кормового поведения, особенно полезный для выявления тонких различий в интенсивности кормления.

В [69] предложена пассивная система акустического мониторинга кормления креветок, основанная на анализе звуковых паттернов. Система показала корреляцию интенсивности звуков с уровнем голода. Несмотря на проблемы с шумом среды, метод перспективен для корректировки кормления в реальном времени.

В [70] предложена модель ASST для классификации интенсивности кормления рыб по акустическим сигналам в прудах. Достигнута точность 96,16%.

Такие системы предоставляют ценную информацию о поведении, но страдают от помех и слабых сигналов при кормлении мелких или молодых рыб.

3.1.4. AI-усиленные системы точного кормления

Точные системы кормления, усиленные ИИ, являются одним из ведущих направлений в этой области.

В [25] использована многослойная перцептронная нейросеть (MLPNN), обученная на дескрипторах Фурье, для классификации поведения рыб. Достигнута точность 100% в настройке кормления в реальном времени.

В [53] объединены сегментация изображений и нечеткая логика через гибрид FFAUNet и ANFIS, оптимизированный алгоритмом роя частиц. Модель достигла точности 98,57% при классификации интенсивности кормления по волнам на воде (сильное, среднее, нормальное).

3.1.5. Интеграция мультимодальных данных для расширенного мониторинга

Существующие исследования показывают, что интеграция мультимодальных данных может повысить надежность и точность систем кормления.

В [71] комбинация CNN и нечеткого управления использована для оценки интенсивности кормления.

В [8] интегрированы ЭКГ, данные акселерометров и параметры окружающей среды для мониторинга ЧСС и кормления коралловых рыб. Для анализа использовались методы байесовского детектирования точек изменений и дивергенции Кульбака–Лейблера, что позволило надежно выявлять события кормления.

Такие мультимодальные подходы дают целостное представление о кормовом поведении, однако реальная интеграция данных и внедрение в полевых условиях остаются вызовом.

3.2. Управление качеством воды

Поддержание оптимального качества воды является основополагающим условием для устойчивой и продуктивной аквакультуры, так как здоровье, рост и благополучие водных организмов напрямую зависят от окружающей среды. Отклонения в таких параметрах, как растворённый кислород (DO), pH, температура и уровень аммиака, могут существенно повлиять на здоровье рыб, замедлить их рост и повысить восприимчивость к заболеваниям.

Интеграция IoT-датчиков и прогнозной аналитики на основе искусственного интеллекта оказалась крайне важной для современной аквакультуры, позволяя осуществлять непрерывный мониторинг в реальном времени и предпринимать ранние меры для предотвращения неблагоприятных условий [4,13]. Исследования, такие как [4,16,19,27,28], показали, что системы проактивного мониторинга способны эффективно предсказывать критические события в аквакультуре.

Например, в работе [4] рассматривается использование методов глубокого обучения, включая сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), для прогнозирования таких критических событий, как снижение уровня кислорода и ухудшение качества воды. В работе [16] представлено устойчивое IoT-решение для пресноводной аквакультуры, демонстрирующее способность предсказывать цветение водорослей и поддерживать стабильность окружающей среды с помощью мониторинга на базе ИИ. В исследовании [19] предложена система на основе AIoT, интегрирующая прогнозирование и контроль качества воды для выявления и смягчения последствий таких событий, как дефицит кислорода. В работе [27] изучается использование генетических алгоритмов в сочетании с ансамблевым обучением для оптимизации прогнозов растворённого кислорода, тогда как в [28] представлен модель TD-LSTM для точного прогнозирования морской температуры, что косвенно способствует прогнозированию цветения водорослей и связанных событий.

3.2.1. Температура воды

Температура напрямую влияет на метаболизм, рост и здоровье гидробионтов, поэтому её контроль критически важен. IoT-датчики и предиктивные модели на базе ИИ обеспечивают непрерывный мониторинг температуры и позволяют быстро реагировать на её колебания.

Например, в работе [58] предложен улучшенный нескомпенсированный фильтр Калмана (UKF) с последовательным анализом и оптимизированной экстремальной машиной обучения (ELM) для повышения точности мониторинга температуры в прудах аквакультуры. Такой подход снижает избыточность данных и шум, обеспечивая надёжный мониторинг в реальном времени. Авторы [26] демонстрируют использование гибридной модели CNN-LSTM-GRU для учёта временных зависимостей в данных о температуре. В [28] представлена модель TD-LSTM, позволяющая учитывать временные зависимости при прогнозировании морской температуры и значительно повышающая точность прогнозов на разных глубинах и в различных районах океана.

3.2.2. pH

Уровень pH влияет на биохимические процессы в аквакультуре, включая доступность питательных веществ, скорость метаболизма и общее состояние рыб. Множество исследований подтвердили эффективность моделей ИИ для прогнозирования pH, что помогает поддерживать оптимальные значения и предотвращать стресс у гидробионтов.

Например, в работе [16] предложена модель случайного леса (RF), являющаяся частью устойчивого IoT-решения для пресноводной аквакультуры. Эта модель предсказывает такие параметры, как растворённый кислород и pH, что позволяет проактивно управлять условиями в аквакультуре. В [19] применена модель простого рекуррентного блока (SRU) для прогнозирования изменений pH в открытых прудах, обеспечившая стабильные прогнозы на протяжении длительных периодов мониторинга. Благодаря скользящему среднему модель фиксирует как краткосрочные колебания, так и долгосрочные тенденции изменения pH.

3.2.3. Солёность

Солёность — это важный фактор окружающей среды, влияющий на осмотический баланс и физиологию водных организмов. Поддержание стабильного уровня солёности критично для предотвращения стресса и оптимизации роста.

В [46] представлен недорогой датчик солёности с калибровочными цепями для повышения точности при различных условиях. В [45] описан усовершенствованный датчик с новым преобразователем, автоматически регулирующим чувствительность, что позволило свести линейную погрешность к минимуму. В [72] разработан прочный кондуктометр для мониторинга солёности в реальном времени в полевых условиях.

3.2.4. Растворённый кислород (DO)

DO — ключевой параметр для дыхания и здоровья гидробионтов. Эффективное управление им помогает избежать стресса и гибели от гипоксии.

В [73] предложена предиктивная модель, объединяющая LightGBM, BiSRU и механизм внимания, для точного прогнозирования уровня DO и своевременной коррекции в условиях высокой плотности посадки. В [74] описана модель ECA-Adam-RBFNN, использующая кластеризацию и методы оптимизации для обработки нелинейных колебаний DO, показавшая высокую точность прогнозов.

В работе [27] представлена ансамблевая модель GA-XGCBXT, сочетающая генетический алгоритм (GA) для отбора признаков и регрессоры XGBoost, CatBoost и Extra Trees. Используя данные фермы в Чеджу (Южная Корея), включающие DO, pH, температуру, электропроводность и ОВП, модель достигла RMSE = 0.31. Однако её необходимо перенастраивать под разные условия.

В [75] предложена усовершенствованная модель Наивного Байеса с использованием дифференциальных последовательностей и метода скользящего окна для непрерывных значений, что улучшило точность прогнозов DO. В [76] разработана гибридная модель PCA-LSTM, объединяющая отбор признаков и прогнозирование временных рядов. В [77] используется разреженный автоэнкодер (SAE) в связке с LSTM для извлечения скрытых признаков из данных о качестве воды.

3.2.5. Мутность

Мутность влияет на прозрачность воды, светопроницаемость, фотосинтез и кормление рыб.

В [78] предложена многослойная нейронная сеть (MLP), встроенная в IoT-датчики, для классификации загрязнений по данным о pH, мутности и температуре. Модель показала надёжную работу в контролируемых условиях. В [79] разработана система диагностики на основе деревьев решений и SVM для выявления аномалий мутности, что повысило надёжность работы систем аквакультуры.

3.2.6. Хлорофилл

Хлорофилл-а является индикатором биомассы фитопланктона и качества воды, но его избыток может вызвать опасные цветения водорослей.

В [80,81] применены модели SVM и LSTM для прогнозирования хлорофилла и раннего предупреждения о цветении. В [82] использованы CNN и LSTM для анализа данных с IоТ-датчиков и спутников. В [83] применена LSTM с нормализацией и dropout для долгосрочного прогнозирования концентраций хлорофилла-а. В [84] LSTM использована для еженедельного прогноза концентраций в реках Южной Кореи.

3.2.7. Аммиак

Аммиак, токсичный побочный продукт метаболизма рыб, представляет значительный риск для здоровья в аквакультуре, когда его уровень повышен, что приводит к стрессу и ухудшению здоровья рыб. Мониторинг уровня аммиака необходим для предотвращения его вредного накопления. Концентрация аммиака сильно зависит от pH; когда уровень pH превышает 9,5, аммиак преобразуется из NH4+ в NH3, что увеличивает его токсичность. На уровень аммиака также влияют другие факторы, такие как температура, растворенный кислород, общее количество растворенных твердых веществ и рост водорослей [13].

В прудах для аквакультуры аммиак может накапливаться из-за органических веществ, несъеденного корма, цветения водорослей, отходов водных организмов, разлагающихся водных организмов и богатых азотом соединений [85, 86]. Токсичность аммиака также является серьезной проблемой на свалках, где он накапливается и может проникать в грунтовые воды [43]. Эффективный мониторинг аммиака в прудах для аквакультуры имеет решающее значение для оценки выживаемости организмов и общего уровня загрязнения воды [87]. Существующие исследования показывают тенденцию к интеграции прогностических моделей и методов биоремедиации для улучшения качества воды, что важно для устойчивых методов аквакультуры.

Например, в работе [47] для прогнозирования в реальном времени уровня аммиака, азота и нитритов в системах аквакультуры креветок с высокой плотностью популяции предлагаются обобщенная регрессионная нейронная сеть (GRNN) и сети долгой краткосрочной памяти (LSTM). Однако, хотя прогнозы аммиака были стабильными, прогнозы концентрации нитритов были менее последовательными, особенно при высоких нагрузках на биофильтр. Основываясь на использовании гибридных моделей ИИ, Ван и соавторы [48] представляют усовершенствованный подход с комбинированной моделью XAdaBoost и LSTM для прогнозирования аммиачного азота в аквакультуре, которая достигает более низких значений RMSE и MAPE по сравнению с существующими методами. Тем временем, Collos и соавторы [13] дают биологическую перспективу, изучая токсичность аммония для одноклеточных водорослей. Переходя от прогнозирования к очистке, John и соавторы [85] исследуют применение биоремедиации с помощью бактериального консорциума, направленного на очистку сточных вод тилапии от аммиака и нитритов.

Бактериальная очистка обеспечила впечатляющее снижение уровня аммиака, значительно улучшив выживаемость тилапии. Однако этот лабораторный эксперимент вызывает вопросы относительно эффективности консорциума в более крупных масштабах, особенно в различных средах аквакультуры, где внешние условия могут влиять на производительность бактерий. В другом подходе к прогностическому моделированию, Yu и соавторы [86] предлагают гибридную модель, которая объединяет эмпирическую декомпозицию моды (EMD), улучшенную оптимизацию роя частиц (IPSO) и экстремальную обучающую машину (ELM) для точного прогнозирования аммиака. Эта модель EMD-IPSO-ELM демонстрирует сильные прогностические возможности с повышенной точностью по сравнению с другими методами. Обращаясь к ингибированию аммиака при анаэробном сбраживании, авторы в [43] исследуют, как высокие уровни аммиака влияют на производство биогаза при сбраживании твердых бытовых отходов.

Исследование показывает, что производство биогаза подавляется при более высоких концентрациях аммиака, что влияет на эффективность анаэробного сбраживания. Обзор Karri и соавторов [87] дополнительно исследует управление аммиаком, сравнивая традиционные и передовые методы удаления в очистке сточных вод. Этот критический обзор определяет преимущества и ограничения таких методов, как ионный обмен, мембранная фильтрация и биологическая очистка. Наконец, Nagaraju и соавторы [88] возвращаются к прогностическому моделированию с акцентом на снижение шума при прогнозировании аммиака в аквакультуре креветок. Алгоритм оптимизации пеликана (POA) сочетается с дискретным вейвлет-преобразованием (DWT), которое превосходит автономный POA по точности. Вместе эти исследования предоставляют многогранную перспективу управления аммиаком, от прогностических моделей ИИ и биологических методов до аналитических обзоров традиционных методов.

3.3. Обнаружение и классификация заболеваний

Раннее обнаружение и классификация заболеваний жизненно важны для эффективного контроля и управления вспышками заболеваний на фермах аквакультуры. Это в конечном итоге способствует здоровью и продуктивности популяций рыб и креветок. Вспышки заболеваний не только влияют на благополучие культивируемых видов, но и приводят к значительным экономическим потерям в рыбоводстве.

3.3.1. Обнаружение заболеваний на основе компьютерного зрения

Компьютерное зрение широко применяется в аквакультуре для обнаружения визуальных симптомов заболеваний рыб и креветок. Например, в [7] предлагается механизм раннего обнаружения вируса белой пятнистости (WSSV) у креветок с помощью методов обработки изображений. В исследовании применяется искусственная нейронная сеть (ANN) с извлечением признаков с помощью обнаружения границ Canny и признаков матрицы совместной встречаемости оттенков серого (GLCM). Результаты показывают надежную производительность, при этом модель достигает 94,71% точности, 94,86% чувствительности и 93,32% специфичности, демонстрируя свою эффективность в различении здоровых и инфицированных креветок на первичном наборе данных изображений креветок, включающем как здоровые, так и инфицированные WSSV экземпляры. Однако, ограничения включают потенциальные проблемы с качеством изображения из-за изменений окружающей среды и фокусировку модели на WSSV, что может снизить ее применимость к другим заболеваниям креветок. Будущие направления включают расширение набора данных для охвата дополнительных заболеваний, улучшение методов извлечения признаков и разработку приложения для мониторинга в реальном времени для практического использования в аквакультуре. В [89, 90] используются SVM, классификаторы случайного леса с кластеризацией K-средних для сегментации изображений, достигая точности классификации 94,12% и 88,87% соответственно при классификации заболеваний Эпизоотического язвенного синдрома (EUS) и Гнили хвоста и плавников.

Механизмы внимания в моделях глубокого обучения [91] показали перспективность для классификации заболеваний в аквакультуре, позволяя сетям фокусироваться на признаках, специфичных для заболеваний. В [92] модуль внимания сверточных блоков (CBAM) интегрирован с ResNet50, достигая точности 89,9%. Аналогичным образом, в [2] предлагается подход устранения фона и улучшаются традиционные модели CNN путем интеграции онлайн-последовательной экстремальной обучающей машины (OSELM) и CBAM для улучшения извлечения признаков, достигая точности 94,28% даже в сложных подводных условиях. Подобные исследования включают [93], в котором классифицируются эпизоотический язвенный синдром (EUS), Ихтиофтириус (Ich) и Колумнарис с помощью AlexNet CNN, и [30], в котором используются InceptionV3 и VGG16, достигая точности 93,87% и 91,60% соответственно на наборе данных SB-Fish disease из Kaggle. В [94] рассматриваются несколько моделей машинного обучения, включая дерево решений, логистическую регрессию, наивный байесовский классификатор, многослойный перцептрон и метод опорных векторов (SVM) с различными ядрами, и SVM с полиномиальным ядром достигла самой высокой точности в идентификации EUS у рыб. В [95] авторы ставят цель обнаружить EUS у рыб с помощью обработки изображений для улучшения точности диагностики. Предлагаемая модель использует FAST и HOG для извлечения признаков, с PCA для снижения размерности и нейронной сетью для классификации. Результаты исследования показывают, что модель FAST-PCA-нейронная сеть достигает более высокой точности (86%) по сравнению с HOG-PCA (65,8%), что подчеркивает эффективность FAST для обнаружения EUS. Ограничения включают ее фокусировку на EUS, что ограничивает более широкое применение.

3.3.2. Прогнозирование заболеваний, связанных с качеством воды

Прогностические модели, которые отслеживают параметры воды, могут обнаруживать отклонения, связанные с риском заболевания. Авторы в [96] используют модель градиентного бустинга (GBM) для классификации риска заболевания на основе данных о качестве воды. Модель достигает 92% точности в прогнозировании вероятности заболевания путем анализа таких параметров, как pH, DO и уровень нитратов. Кроме того, в [97] интегрируется мониторинг качества воды с обнаружением заболеваний с помощью датчиков с поддержкой IoT и модели MobileNetV2 CNN, достигая точности 91,5%.

3.3.3. Кросс-модальное и безударное обучение для идентификации заболеваний

В случаях, когда размеченные данные изображений для определенных заболеваний ограничены, кросс-модальные и безударные методы обучения предлагают инновационные решения. Было несколько исследований, которые исследовали эту область. Они включают применение безударного обучения путем использования текстовых описаний из научной литературы и сопоставления их с признаками изображений для классификации заболеваний у креветок, достигая эффективного распознавания заболеваний даже без прямых данных изображений для определенных заболеваний [98]. Этот кросс-модальный подход позволяет передавать знания из текстовых данных в визуальные данные, предлагая многообещающее решение для идентификации заболеваний, выходящих за рамки обучающего набора. Аналогичным образом, в [99] дополнительно исследуется передаточное обучение для обнаружения заболеваний рыб, используя архитектуры VGG-16 и AlexNet с аугментацией данных для достижения точности классификации 91%.

3.3.4. Ансамблевые и гибридные модели для классификации заболеваний

Объединение нескольких моделей в ансамблевых или гибридных архитектурах доказало свою эффективность в повышении точности классификации. Авторы в [100] представляют модель PMIWE (Performance Metric-Infused Weighted Ensemble), объединяющую такие модели, как ResNet-50, DenseNet-121 и EfficientNetB3, для классификации заболеваний пресноводных рыб с точностью 97,53%. PMIWE достигает высокой надежности и интерпретируемости путем слияния сильных сторон различных моделей передаточного обучения, что делает ее особенно подходящей для диагностики заболеваний в реальном времени. Аналогичным образом, в [101] используется CNN с гистограммой ориентированных градиентов (HOGs) и методами пороговой обработки для классификации заболеваний. Эта модель служит примером полезности объединения методов извлечения признаков с архитектурами CNN для повышения надежности классификации.

3.3.5. Адаптивные нейронные нечеткие системы

Эти системы имеют решающее значение для повышения диагностической точности и эффективности управления при обнаружении заболеваний в аквакультуре. Например, в [29] представлена улучшенная модель сегментации U-Net с многоголовым вниманием для точного определения пораженных заболеванием областей на изображениях рыб. Аналогично, в [54] ставится цель управления здоровьем рыб путем разработки экспертной системы на основе нечеткой нейронной сети для диагностики заболеваний у толстолобика. Результаты показывают высокую диагностическую точность для распространенных заболеваний толстолобика, хотя в настоящее время модель фокусируется только на этом виде. Будущие улучшения направлены на расширение применимости системы к другим видам, повышение адаптивности и обеспечение мониторинга в реальном времени.

3.3.6. Мобильные и IoT-системы мониторинга заболеваний

Эти решения предлагают практичные и масштабируемые варианты мониторинга заболеваний для аквакультуры. Исследования в [21, 102] оба посвящены мобильным и IoT-системам обнаружения заболеваний. В [102] авторы используют CNN, оптимизированную для мобильных приложений, чтобы предоставлять оповещения о заболеваниях и рекомендации по лечению через облачный интерфейс, делая обнаружение заболеваний доступным для мелких и микромасштабных рыбоводов. В работе [21] используется модель YOLOv5 для обнаружения заболеваний, интегрированная с датчиками мониторинга качества воды, достигающая 97,03% точности.

3.3.7. Биосенсоры для обнаружения патогенов

Достижения в технологии биосенсоров способствуют профилактике заболеваний, предоставляя точные возможности обнаружения патогенов. Авторы в [103] исследуют оптимизацию золотых (Au) электродов для обнаружения патогенов в аквакультуре, используя электрохимическую импедансную спектроскопию (EIS) для измерения реакций, связанных со свойствами поверхности электрода. Выводы исследования показывают, что низкий уровень шероховатости в Au-электродах повышает качество импедансных реакций, что облегчает обнаружение патогенов в средах аквакультуры.

3.4. Оценка биомассы рыбы

Оценка биомассы рыбы имеет решающее значение для оптимизации операций в аквакультуре, поскольку позволяет точно оценивать здоровье, рост и плотность популяции рыбы. Надежная оценка биомассы способствует эффективным режимам кормления, сокращает накопление отходов и способствует устойчивым методам рыбоводства. Современные достижения в области машинного обучения, компьютерного зрения, сонара и технологий интеллектуальных весов позволили осуществлять неинвазивную оценку биомассы в реальном времени в аквакультуре, преодолевая традиционные проблемы, связанные с ручными измерениями и неточностями, вызванными стрессом.

3.4.1. Компьютерное зрение и глубокое обучение для оценки биомассы

Компьютерное зрение и методы глубокого обучения предлагают мощные инструменты для оценки биомассы рыбы в средах аквакультуры. Различные исследования изучали оценку биомассы в аквакультуре с помощью подходов ИИ. Например, в [104] используется настраиваемая версия YOLOv5 (DL-YOLO) в сочетании со стереозрением для обнаружения рыбы в реальном времени, достигающая средней относительной ошибки (MRE) 2,87% и R2 0,98 в оценке длины, высоты и веса рыбы. Аналогично, в [105] используется Mask R-CNN с вниманием к сжатию пирамиды для сегментации экземпляров и 3D-реконструкции, достигающая уровня ошибок ниже 5,6% при оценке биомассы. Более того, в [106] YOLOv7 применяется к крупномасштабному набору данных о рыбе для оценки длины и биомассы рыбы, достигая высокой средней средней точности (mAP) 0,988, что демонстрирует целесообразность использования обнаружения объектов в реальном времени для эффективного, автоматизированного мониторинга биомассы. Однако на этот подход могут влиять освещение и видимость в подводных условиях.

3.4.2. Интеллектуальные весы для мониторинга биомассы в реальном времени

Интеллектуальные динамические весы представляют собой практичное и портативное решение для оценки биомассы как в морских, так и в наземных средах аквакультуры. В [107] представлены динамические весы с поддержкой Bluetooth, которые измеряют биомассу молоди морского карася со средней относительной ошибкой менее 1,4%. Эти весы, разработанные с учетом портативности и экономичности, предоставляют операторам аквакультуры доступный инструмент для мониторинга роста рыбы и оптимизации практики кормления. Авторы в [108] дополнительно подтверждают точность динамических весов как в морских, так и в наземных условиях, демонстрируя стабильные показания с минимальным отклонением от результатов лабораторных весов. Более того, в [109] представлены портативные весы, оптимизированные для использования в море, достигающие относительной ошибки ниже 2% в условиях колебаний. Будущие исследования могут улучшить эти устройства за счет повышения механической стабильности и разработки специализированных приложений для расширения удобства использования в коммерческих условиях.

3.4.3. Сонарные и акустические методы для оценки биомассы

Эти методы доказали свою эффективность для оценки биомассы в средах, где оптическая визуализация затруднена, о чем свидетельствуют различные существующие работы. Например, авторы в [110] используют сонарную технологию в сочетании с моделями машинного обучения, включая сеть VGG, для оценки биомассы в резервуарах с высокой плотностью популяции в различных водных условиях. Аналогично, в [111] предлагается автономное эхолотное устройство, разработанное для закрытых систем аквакультуры. Устройство оценивает количество рыбы и биомассу, рассчитывая целевую силу и коэффициенты обратного рассеяния, достигая погрешности ±7% в полевых испытаниях. Более того, акустические методы, такие как те, что используются в [112], основаны на ультразвуковых преобразователях и обработке взаимной корреляции для обнаружения и мониторинга биомассы в каналах миграции рыбы вблизи гидроэлектростанций. Этот подход играет важную роль в оценке экологического воздействия и поддержке биоразнообразия в затронутых водных средах.

3.4.4. Структура из движения (SfM) и 3D-моделирование для оценки биомассы

Технология SfM позволяет реконструировать 3D-модели рыбы для неинтрузивной оценки биомассы. В [59] SfM сочетается с методами многовидового стерео (MVS) для создания плотных облаков точек и 3D-сеток из подводных изображений. Предлагаемый подход достигает высокой корреляции (r = 0,98) между оценочными объемами и фактической биомассой, одновременно сокращая погрешность более чем на 30% по сравнению с традиционными методами. Кроме того, метод позволяет проводить точные объемные измерения в реальном времени. Однако на производительность могут влиять факторы окружающей среды, такие как изменчивость освещения и мутность воды, что требует дальнейшей доработки для обеспечения точности в различных условиях аквакультуры.

3.4.5. Обработка акустических сигналов для неинвазивной оценки биомассы

Неинвазивные методы обработки акустических сигналов показали перспективность в оценке биомассы для определенных видов рыб. Авторы в [113] представляют метод обработки акустических сигналов, который оценивает биомассу на основе щебечущих сигналов, издаваемых рыбой-ласточкой. Используя взаимную корреляцию сигналов, улавливаемых несколькими акустическими датчиками, этот метод достигает уровня ошибок в пределах 2% для симулированных оценок биомассы, предоставляя надежную неинвазивную альтернативу для мониторинга биомассы в естественной среде обитания. Хотя практическое развертывание остается сложной задачей из-за таких факторов, как распространение сигнала и многолучевые помехи, этот подход предлагает многообещающее направление для мониторинга звукоиздающих видов рыб.

3.5. Обнаружение поведения рыбы

Мониторинг поведения рыбы имеет решающее значение для поддержания здоровья, благополучия рыбы и достижения оптимального роста в системах аквакультуры. Изменения в поведении часто служат ранними индикаторами стресса, заболеваний, сытости или голода, а также неблагоприятных условий окружающей среды, предоставляя ценные сведения для своевременных вмешательств. Недавние достижения в области ИИ, IoT, акустического мониторинга и компьютерного зрения произвели революцию в обнаружении поведения, позволив осуществлять неинвазивный мониторинг в реальном времени даже в сложных условиях аквакультуры. Эти технологии продемонстрировали значительные улучшения в точности и надежности, о чем свидетельствуют различные исследования.

3.5.1. Обнаружение аномального поведения

Обнаружение аномального поведения рыбы, такого как хаотичное плавание или вялость, имеет важное значение для выявления потенциальных проблем со здоровьем в аквакультуре. В [114] представлена система на основе глубокого обучения, использующая 3×1D сверточную сеть ResNeXt, достигающая 95,3% точности в различении аномального поведения. Эта модель повышает эффективность мониторинга в аквакультуре за счет снижения вычислительной сложности, хотя дальнейшая работа может расширить определения поведения и усовершенствовать модель для периферийных вычислений. В [50] предлагается комбинация faster R-CNN для обнаружения объектов, ориентированных циклических графов (DCG) для классификации позы и динамического преобразования времени (DTW) для анализа поведения. Модель достигла 92,8% точности в идентификации необычного поведения на рыбных фермах. Этот мультимодельный подход позволяет точно обнаруживать поведение в реальном времени, но на его эффективность могут влиять факторы окружающей среды, такие как освещение и фоновый шум. Аналогично, [115] решает проблему распознавания аномального поведения в высокоплотных скоплениях рыбы, используя двухпоточную глубокую сеть с фреймворком многоэкземплярного обучения для изоляции аномального поведения. Более того, в [116] предлагается интеграция модифицированной карты влияния движения с рекуррентными нейронными сетями (RNN), предоставляя надежную основу для выявления закономерностей в последовательных данных.

3.5.2. Анализ скорости плавания и передвижения

Скорость плавания и передвижение являются важными индикаторами благополучия рыбы и общего уровня активности в средах аквакультуры. Авторы в [117] представляют метод на основе эффекта Доплера, который использует акустическую телеметрию для измерения скорости плавания в морских садках, достигая среднеквадратичной ошибки 7,85 см/с в диапазоне соответствующих скоростей. Этот метод, хотя и неинвазивный, может быть затронут отражением сигнала и шумом окружающей среды, особенно в сложных условиях с высокой плотностью популяции. Анализ поведения при плавании с использованием акустического видео и методов деформируемых моделей, которые фиксируют деформацию тела рыбы для выявления закономерностей плавания, характерных для вида, проводится в [118]. Более того, в контексте мониторинга экосистемы холодноводных кораллов, [119] представляет рабочий процесс, объединяющий ручную аннотацию, создание золотого стандарта и CNN для оценки уровня активности полипов кораллов. С точностью 96% для классификации активности полипов, исследование выявляет значительные временные закономерности, связанные с событиями окружающей среды, подчеркивая его ценность в экологических исследованиях.

3.5.3. Обнаружение заболеваний с помощью анализа поведения

Поведенческие сигналы часто могут сигнализировать о раннем начале заболевания у видов аквакультуры, что позволяет своевременно принимать меры. В [120] представлен EchoBERT, модель на основе трансформера, которая анализирует эхограммы для обнаружения ранних индикаторов заболевания поджелудочной железы у атлантического лосося, достигая оценки MCC 0,694. Модель превосходит традиционные подходы на основе LSTM, что позволяет обнаруживать заболевания на месяц раньше. Будущая работа направлена на совершенствование этой модели в различных средах, расширяя ее применимость для других индикаторов заболеваний, связанных с поведением.

3.5.4. Моделирование стайного и социального поведения

Стайное поведение предоставляет ценные сведения о групповом здоровье и социальной динамике в системах аквакультуры. В [118] предлагается модель CNN для обнаружения различных состояний поведения стаи рыб, таких как кормление и реакция на стресс, достигая 82,5% точности с помощью пространственно-временных составных изображений. Этот метод объединяет пространственную информацию и информацию об оптическом потоке, хотя его производительность может быть ограничена непостоянством освещения и другими факторами окружающей среды. Аналогично, [51] исследует симулированную среду для стайного поведения, используя сети Deep Q-Networks (DQN) для моделирования взаимодействий рыб без предопределенных моделей на основе правил. Эта модель успешно воспроизводит упорядоченные групповые образования, демонстрируя потенциал подходов на основе DQN в понимании коллективного поведения. Хотя в настоящее время она ограничена симуляциями, будущая работа направлена на совершенствование этой модели для реальных сценариев стайного поведения.

3.5.5. Обнаружение поведения на основе акустики и эхограмм

Методы на основе акустики и эхограмм предоставляют неинтрузивные возможности для обнаружения поведения, особенно в мутных или сложных средах. В [120] предлагается модель трансформера EchoBERT, которая использует эхограммы для обнаружения поведения, связанного с заболеваниями, в то время как [115] применяет акустическую визуализацию для фиксации поведения в скоплениях рыбы, достигая высокой точности распознавания при обнаружении аномального поведения. Эти подходы подчеркивают потенциал акустического мониторинга для непрерывных оценок благополучия в аквакультуре, хотя необходимы дальнейшие разработки для повышения надежности в различных условиях окружающей среды.

3.6. Подсчет организмов в аквакультуре

Точный подсчет организмов в аквакультуре жизненно важен для управления поголовьем, мониторинга здоровья и оптимизации кормления. Традиционно эта задача была трудоемкой, инвазивной и подверженной неточностям, особенно в средах с высокой плотностью популяции. Недавние разработки в области ИИ, компьютерного зрения и сенсорных технологий сделали возможным автоматизированный, точный подсчет для различных видов аквакультуры, включая рыбу, креветок и голотурий. Существующие исследования, такие как [6, 60, 61, 62, 63, 64, 65, 66], сообщили о значительном успехе в подсчете организмов аквакультуры. Например, в [6] представлен Shrimpseed_Net, модель глубокого обучения на основе смартфона для подсчета молоди креветок, в то время как [60] предлагает подход глубокого обучения на основе оценки плотности для личинок креветок. Авторы в [61] применяют компьютерное зрение для изучения поведения и подсчета рыбы в контролируемых средах, а [62] использует алгоритм на основе эхолота для оценки популяций рыбы в рыбоводных сетях. В [63] разработана улучшенная модель YOLOv5 для подводного подсчета рыбы, а в [64] используются CNN с улучшенным контекстом в нескольких масштабах для оценки плотности рыбы. Более того, в [65] представлен метод подсчета молоди на основе внимания для культур с высокой плотностью популяции, а в [66] предлагается бесконтактная система подсчета голотурий в аквакультуре на месте.

3.6.1. Подсчет личинок и молоди креветок

Подсчет креветок является критически важным процессом в инкубаторах и на фермах. Авторы в [60] представляют ShrimpCountNet, модель глубокого обучения, использующую оценку плотности для автоматизированного подсчета личинок креветок, достигающую впечатляющей точности 98,72%. Однако ее точность снижается при чрезвычайно плотных популяциях, что указывает на необходимость дальнейшей оптимизации для более крупных образцов. Для подсчета молоди креветок в [6] представлен ShrimpseedNet, легковесная модель, оптимизированная для развертывания на смартфоне, с точностью 95,53%. Эта модель предлагает практичное, портативное решение для работников аквакультуры, хотя ее производительность может варьироваться при экстремальном освещении и в условиях высокой плотности. Таким образом, будущая работа будет сосредоточена на повышении точности для более сложных сценариев и адаптации модели для дополнительных видов.

3.6.2. Подсчет рыбы в контролируемой и естественной среде

Подсчет рыбы в контролируемых средах часто требует идентификации отдельных рыб в переполненных прудах, резервуарах или сетях. В [61] YOLOv5 используется для обнаружения и подсчета рыбы в сочетании с оптическим потоком для анализа движения для обнаружения стресса, достигая F-меры 81%. В [64] представлено использование CNN с улучшенным контекстом в нескольких масштабах для оценки плотности рыбы путем устранения окклюзии и искажений перспективы. Этот подход повышает точность в переполненных средах, с более низкими среднеквадратичными и абсолютными ошибками по сравнению с предыдущими моделями, хотя его точность снижается при более низкой плотности рыбы. Будущие направления включают расширение набора данных и полуавтоматическую разметку для улучшения производительности при низкой плотности. Аналогичное исследование [65] нацелено на подсчет молоди рыбы в средах с высокой плотностью, используя сеть внимания для оценки плотности GAN со сверхразрешением (SGDAN). Эта модель достигла 97,57% точности, превосходя существующие методы, такие как MCNN и CSRNet, хотя в настоящее время она ограничена неподвижными изображениями, а не видеопотоками.

Кроме того, ссылки [34, 121] используют глубокое обучение для продвижения автоматизированных систем мониторинга и оценки для морской экологии и управления рыболовством. В [34] YOLOv2 и автокодировщик с шумоподавлением использовались для обнаружения морских гребешков на подводных изображениях с низким контрастом. Аналогично, в [121] автокодировщики и GAN были объединены для создания синтетических изображений медуз, которые затем использовались для обучения FCN для оценки плотности скопления медуз, достигая 83,8% точности. Несмотря на свой вклад, обе модели сталкиваются с ограничениями в адаптации к различным условиям окружающей среды. Будущие направления сосредоточены на повышении разнообразия данных, расширении приложений для других морских видов и интеграции дополнительных модальностей для надежных, масштабируемых решений для мониторинга.

3.6.3. Методы подсчета с помощью эхолота и акустики

Технология эхолота предлагает неинтрузивный способ оценки популяций рыбы, особенно в рыбоводных сетях, где визуальный подсчет затруднен. В [62] используется подход обработки акустических сигналов для оценки популяций рыбы в сетях с погрешностью менее 10%. Система компенсирует отражения от сети, но производительность снижается в редких популяциях, что подчеркивает необходимость в усовершенствованных методах обработки сигналов. Будущая работа должна быть сосредоточена на повышении точности в популяциях с низкой плотностью и расширении приложений в различных установках аквакультуры.

3.6.4. Подсчет голотурий (морских огурцов)

Популяции голотурий все чаще управляются с помощью бесконтактного подсчета, чтобы свести к минимуму нарушения. В [66] представлена система, использующая YOLO-V3 и Faster R-CNN для обнаружения, в сочетании с алгоритмами отслеживания, такими как SORT и IOU, достигающая надежного подсчета даже в мутной воде. Однако на точность влияют видимость под водой и окклюзия. Исследователи планируют расширить подводный набор данных и протестировать более продвинутые алгоритмы отслеживания для работы с различными условиями окружающей среды.

3.6.5. Автоматизированный подсчет чешуи и обнаружение фенотипических признаков

Подсчет чешуи боковой линии необходим для селекционных программ и идентификации видов. В [63] представлена модель TRH-YOLOv5, которая использует механизмы трансформера и модуль обнаружения мелких целей для повышения точности подсчета этой чешуи и достигает точности 98,8%. Этот метод поддерживает фенотипический анализ в устойчивом рыболовстве, хотя подводное освещение и размытие движения остаются проблемами. Будущие улучшения будут направлены на устранение этих факторов окружающей среды и расширение обнаружения фенотипических признаков для большего числа видов.

3.7. Сегментация, обнаружение и классификация видов аквакультуры

Сегментация, обнаружение и классификация видов аквакультуры являются критически важными задачами для эффективного мониторинга аквакультуры и сохранения биоразнообразия. Достижения в области ИИ и компьютерного зрения представили надежные решения для этих задач, даже в сложных подводных условиях. В этом разделе мы обсуждаем недавние исследовательские работы, которые касаются сложности распознавания видов аквакультуры и морских структур в различных средах.

3.7.1. Классификация видов рыб

Идентификация видов рыб имеет основополагающее значение для экологического мониторинга и управления рыболовством. Было проведено множество работ по идентификации видов рыб с участием AIoT. В [122] авторы представили модель на основе ANN для классификации девяти видов рыб, достигнув идеального результата 100%. Это исследование демонстрирует потенциал модели, но остается ограниченным из-за ее фокусировки только на девяти видах. Ансамблевая модель (Ens_MobV3+NasNet) предлагается в [33] для классификации видов в аквакультуре, достигая 98,6% точности. Несмотря на надежность модели, происходят ошибки классификации с окклюдированными или плохо ориентированными изображениями. Аналогично, в [123] разработана WildFishNet, нейронная сеть, использующая механизм активации слияния, объединяющий функции softmax и openmax, со структурой, вдохновленной EfficientNetV2, для улучшения извлечения признаков для точного распознавания. Модель достигла 86,3% точности в различении известных и неизвестных видов рыб. В [124] представлена система неконтролируемого обучения для подводного распознавания рыб и оценивается на наборах данных Fish4Knowledge и NOAA Fisheries. И наоборот, модифицированная U-Net CNN предлагается в [125] для классификации сельди, лосося и пузырей в многочастотных эхограммах, достигая высоких оценок F1 (93,0% для сельди, 87,3% для лосося, 86,5% для пузырей). Однако предлагаемый метод ограничен в своей способности справляться с дисбалансом классов и небольшим тестовым набором; поэтому предлагается расширить аннотированные данные и включить дополнительные факторы окружающей среды для улучшения классификации в будущей работе. Более того, [126] представляет компактную модель CNN с менее чем 20 000 параметрами для классификации шести видов пелагических рыб на подводных изображениях, достигая ~49% точности. Аналогично, авторы в [127] используют модель трансформера зрения (ViT) для классификации видов рыб в эстуариях, достигая 99,04% точности (и 100% с аугментацией) на наборе данных из 12 видов, превосходя традиционные модели, такие как VGG16 и ResNet50. Подобные исследования включают [128, 129], в которых разрабатывается настраиваемая CNN на основе AlexNet (названная Deep-ShripNet) и модель глубокого обучения, использующая стековые автокодировщики для извлечения признаков в сочетании с логистической регрессией для классификации (SAEs–LR) для различения креветок с мягким панцирем (дефектных) от здоровых креветок с использованием классификации на основе изображений и оценки свежести креветок во время холодного хранения соответственно. Кроме того, в [10, 14, 130, 131, 132] общая цель состоит в разработке передовых систем на основе глубокого обучения для автоматизированной классификации в различных областях, используя сильные стороны сверточных нейронных сетей (CNN) и связанных архитектур. Эти исследования сосредоточены на конкретных приложениях, таких как оценка качества жемчуга [130], классификация видов кораллов [131], мониторинг медуз [10], классификация водных макробеспозвоночных [132] и идентификация диатомовых водорослей для оценки качества воды [14].

3.7.2. Обнаружение подводных видов в сложных средах

Низкое качество подводных изображений создает уникальные проблемы при обнаружении видов. Хотя было проведено множество исследований, направленных на обработку обнаружения видов в сложных средах, обнаружение видов в реальном времени остается проблемой. В исследовании [32] была разработана составная FishNet, двухступенчатая каскадная модель R-CNN для обнаружения и классификации рыб в низком разрешении, сложных подводных средах. Эта модель показала высокую надежность с AP 75,2% и AP50 92,8%, хотя проблемы остаются с мелкими целями рыбы и окклюзиями.

В [133] предлагается YOLOv5-Fish, улучшенная модель YOLOv5, которая включает усовершенствованные слои извлечения признаков, чтобы улучшить обнаружение в размытых, низкоконтрастных сценах. Аналогично, [11] разрабатывает улучшенную модель faster R-CNN для обнаружения медуз в реальном времени в морских средах, достигая более 93% mAP и повышенной скорости обучения (1,85 бит/с до 7,35 бит/с). В приложениях для автономных подводных роботов [134] была представлена YOLO8-FASG, модель на основе YOLOv8, улучшенная для обнаружения мелких рыб. Более того, авторы в [31] разрабатывают улучшенную модель YOLOv5-nano (YOLOv5n-GAM-CoordConv) для обнаружения медуз в реальном времени на подводных изображениях, достигая высокого mAP@0.5 89,1%.

3.7.3. Сегментация в подводных и SAR-изображениях

Точная сегментация имеет важное значение для мониторинга аквакультуры и управления ресурсами, поскольку она позволяет проводить точный анализ подводных и SAR-изображений. Несколько исследовательских инициатив были сосредоточены на решении проблем, связанных с этими задачами. Среди них [135], который использовал модель STFF, модель самоконтролируемого трансформера с слиянием признаков, для улучшения семантической сегментации в SAR-изображениях. Модель достигла превосходной точности и непрерывности в сегментации зон морской аквакультуры, но испытывала трудности с мелкими целями и неблагоприятными морскими условиями. Будущие направления будут включать улучшение обнаружения мелких целей и адаптацию модели для более широкого спектра морских сред. Для сегментации плотов для аквакультуры в [136] представлена MDOAU-Net, легковесная модель U-Net, разработанная специально для шумных SAR-изображений. Аналогично, авторы в [137] разработали оптимизированную модель сегментации для морских ферм, использующую SAR-изображения, достигающую FWIoU 0,9876 с быстрым временем инференса. Скорость и точность этой модели делают ее подходящей для крупномасштабных приложений, хотя чувствительность к шуму SAR-изображений является ограничением. Расширение модели на различные структуры аквакультуры является многообещающим будущим направлением. В [138] представлено внедрение модели IDUDL для семантической сегментации SAR-изображений в морской аквакультуре, которая достигает высокой точности в показателях OA, MIoU и Kappa.

Для подводной сегментации в [139] использовалось сочетание ручных ограничивающих рамок и автоматизированной генерации масок для обучения моделей Mask R-CNN, включая U-Net++ и DeepLabv3+ для создания масок. Наконец, в [140] представлена U_EFF_NET, модель на основе U-Net с EfficientNet-b0 и CBAM для сегментации морских ферм аквакультуры на SAR-изображениях. Модель достигла FWIoU 98,12% и продемонстрировала высокую скорость инференса, заняв высокое место в Gaofen Challenge 2021. Несмотря на свою впечатляющую производительность, она остается чувствительной к экстремальному шуму SAR-изображений.

3.7.4. Обнаружение и классификация структур аквакультуры

Обнаружение структур аквакультуры, таких как плавучие плоты, имеет решающее значение для управления окружающей средой и ресурсами. Fan et al. [141] представили новый алгоритм кластеризации, CMKFCM, для обнаружения плотов аквакультуры на SAR-изображениях. Модель интегрирует нейродинамическую оптимизацию с оптимизацией роя частиц для повышения точности кластеризации. Несмотря на ее надежность, на производительность обнаружения влияют шероховатость поверхности моря и шум. Будущие улучшения будут сосредоточены на адаптации модели к различным морским средам. Аналогично, в [142] разработана модель RSC-APMN для сегментации SAR-изображений в морской аквакультуре, включающая модули для работы с колеблющимися морскими условиями.

3.7.5. Обработка изображений для оценки качества рыбы

Для оценки качества и свежести рыбы в [143] разработан метод адаптивной пороговой обработки для сегментации жабр рыбы, достигающий высокой корреляции с экспертными аннотациями. Этот метод предоставляет надежный подход для проверки качества в реальном времени. Однако требуется осторожное обращение, чтобы избежать помех от разлива крови. Будущая работа будет направлена на повышение точности сегментации для более широкого применения в оценке качества. Авторы в [144] сосредоточились на сегментации рыбы в розничной среде, достигнув 88,69% точности сегментации с помощью SegNet. Эта модель является многообещающей для автоматизированной оценки качества морепродуктов, но сталкивается с проблемами с шумным фоном и изменчивостью видов. Будущие направления включают расширение набора данных для включения большего числа видов и усовершенствование методов сегментации для реалистичных розничных условий.

3.8. Оценка разведения и роста

Оценка разведения и роста в аквакультуре имеет важное значение для оптимизации кормления рыбы, оценки ее здоровья, успеха размножения и экологической безопасности. Недавние исследования были сосредоточены на разработке автоматизированных и точных методов для оценки параметров роста и мониторинга зрелости размножения, используя передовые модели ИИ, компьютерное зрение и технологию стереозрения.

3.8.1. Автоматизированное обнаружение разведения и нереста

Автоматизация обнаружения разведения и нереста в аквакультуре может значительно повысить успех размножения и графики разведения. В этом направлении в [145] была представлена система на основе YOLOR для оценки зрелости кобии, достигающая точности 74,3% на тестовых наборах данных. Хотя система многообещающая, ее производительность ограничена факторами окружающей среды, такими как прозрачность воды. Для устричных ферм в [146] был разработан алгоритм на основе обнаружения неисправностей для автоматического обнаружения нереста с использованием данных о движении клапанов, достигающий высокой точности без ложных срабатываний. Однако настройка параметров методом проб и ошибок ограничивает его адаптивность.

3.8.2. Оценка популяции рыбы с использованием эхолотов и цифровых двойников

Точная оценка популяций рыбы имеет важное значение для определения количества корма и плотности посадки. Достижения в таких технологиях, как эхолоты и цифровые двойники (DT), открыли новые возможности для мониторинга и принятия решений в аквакультуре, хотя в их разработке и внедрении остаются значительные проблемы. Существующие исследования, которые изучали эту область, включают [62], где использовалась технология эхолота для оценки популяций рыбы в рыбоводных сетях, достигая погрешности менее 10% в густонаселенных районах. Несмотря на успех, алгоритм сталкивается с проблемами в редких популяциях и с помехами от сигналов сети. Будущая работа направлена на совершенствование методов удаления сетевых сигналов и изучение передовых эхолотов для дальнейшего повышения точности оценки. Параллельно, в [147] был рассмотрен потенциал DT в аквакультуре, подчеркивая их перспективность для мониторинга в реальном времени и принятия обоснованных решений. Приложения DT в аквакультуре все еще находятся на ранних стадиях и сталкиваются с препятствиями, такими как проблемы совместимости и вопросы безопасности данных.

3.8.3. Оценка роста

Точная оценка параметров роста рыбы, включая размер тела, вес, длину и траектории роста, имеет решающее значение для оптимизации управления кормом, мониторинга здоровья и обеспечения устойчивых методов аквакультуры. Несколько исследований изучали инновационные подходы к измерению показателей роста рыбы. Для оценки размера тела в [148] была разработана подводная система стереозрения, способная измерять длину и высоту рыбы, достигающая низкой погрешности 0,85% для оценки длины. Аналогично, в [149] была представлена YOLO-FL, модель на основе YOLO, которая объединяет сегментацию и обнаружение ключевых точек для измерения длины тела рыбы с MAPE 3,7%. Возможным будущим направлением исследований является пилотирование модели в практических условиях аквакультуры и усовершенствование методов обработки изображений для более широкой применимости.

Для прогнозирования веса и оценки траектории роста в [150] сравнивались эмпирические методы с моделями на основе LSTM, идентифицируя комбинированный подход взвешенной суммы, который снизил ошибки на 61,3% по сравнению с одними эмпирическими моделями. Хотя модель эффективна, ее обобщаемость для разных видов и сред ограничена, что побуждает к будущему исследованию интеграции данных об окружающей среде и тестированию в различных условиях. Неинвазивные методы для оценки длины рыбы снижают стресс у рыбы и оптимизируют труд в аквакультуре. Например, в [151] была представлена система на основе CNN, использующая стереозрение для оценки длины рыбы, с относительными ошибками 3,15% для морского карася и 7,4% для морского окуня. На точность влияют факторы окружающей среды, такие как движение рыбы и мутность. Измерение размера рыбы в реальном времени оптимизирует методы кормления, позволяя точно отслеживать размер. В [152] авторы разработали систему измерения размера на основе стереозрения, достигающую точности с погрешностью 4%. Однако на измерения могут влиять вращение рыбы и расстояние от камер.

3.8.4. Экологический мониторинг для роста и здоровья

Экологический мониторинг необходим для устойчивых методов аквакультуры, особенно для обнаружения и смягчения рисков от природных явлений. Связанное исследование в [153] посвящено обнаружению цветения медуз с использованием изображений сонара, улучшенных данными, сгенерированными GAN, достигая улучшенной точности классификации и уменьшенных ложных срабатываний. В исследовании [12] используется высокопроизводительная проточная цитометрия изображений и тонко настроенная CNN ResNetv2 для автоматической классификации видов фитопланктона и стадий жизненного цикла, достигая 97% общей точности.

3.9. Отслеживание рыбы и индивидуальность

Это имеет решающее значение для мониторинга поведения рыбы, здоровья, режима кормления, разведения и динамики популяции как в контролируемых, так и в естественных условиях. Недавние достижения в AIoT позволили создавать более точные и масштабируемые решения для индивидуального и группового отслеживания и анализа поведения в сложных водных средах.

3.9.1. Идентификация отдельной рыбы

Биометрические подходы, такие как распознавание радужной оболочки глаза, стали многообещающими решениями для достижения надежной и неинвазивной идентификации. Эти методы используют уникальные физические черты, позволяя точно различать особей без необходимости внешней маркировки или инвазивных процедур. В исследовании [154] использовались радужные узоры в качестве биометрических идентификаторов для атлантического лосося, достигая более 95% точности в краткосрочной идентификации. Подход объединил сверточные нейронные сети (CNN) с фильтрами Log-Gabor для извлечения признаков радужной оболочки. Однако надежность этого метода снижается в долгосрочной перспективе из-за изменений в узорах радужной оболочки по мере роста рыбы. Будущие направления исследований включают изучение изображений в ближнем инфракрасном диапазоне для повышения надежности и адаптацию системы для подводных сред для повышения практичности.

3.9.2. Отслеживание нескольких рыб в контролируемых и неконтролируемых средах

Различные исследования изучали инновационные подходы для решения проблем, таких как высокая плотность, окклюзии и изменчивость поведения, подчеркивая прогресс в технологиях отслеживания нескольких рыб, одновременно устраняя ключевые ограничения. В исследовании [155] была разработана система 3D-видеоотслеживания для мониторинга поведения рыбы в контролируемых средах с аквариумами, достигающая более 95% точности. В неконтролируемых морских условиях в [156] была представлена DFTNet, система отслеживания, объединяющая сиамскую сеть для схожести внешнего вида с LSTM на основе внимания для анализа движения. Этот подход значительно сократил переключения ID на 60,9%, улучшив точность отслеживания. Однако проблемы остаются в дифференциации очень похожих видов и обработке сложного поведения в многолюдных сценах. Более того, в [157] был применен подход отслеживания по обнаружению для мониторинга рыбы Sillago Sihama в аквакультуре, используя гауссовы смешанные модели (GMM) для выявления поведенческих закономерностей.

3.9.3. Сегментация активности и отслеживание в данных сонара и эхограмм

Использование данных сонара и эхограмм для отслеживания активности рыбы имеет важное значение для мониторинга поведения в мутных или с плохой видимостью водных средах. В исследовании [158] был разработан метод отслеживания на основе сонара, включающий фильтрацию Калмана и гауссово моделирование, достигающий улучшенной точности отслеживания нескольких объектов и уменьшающий ложные обнаружения. Хотя он эффективен, дальнейшие исследования будут интегрировать глубокое обучение для повышения точности сегментации и адаптивности. В анализе эхограмм в [159] была представлена U-MSAA-Net для идентификации и сегментации лучепёрых рыб и криля, демонстрирующая превосходную точность, несмотря на проблемы с зашумленными данными. Аналогично, в [160] рассматривается обнаружение и отслеживание рыбы в рыбоходах с использованием YOLO-CTS и Deep-SORT, достигающее высокой точности даже в сложных средах. Однако система испытывает трудности в сценариях с высокой плотностью популяции, что побуждает к будущим усилиям по интеграции данных сонара и усовершенствованию алгоритмов отслеживания для большей масштабируемости и точности.

3.9.4. Распознавание групповой активности и поведения рыбы

Существующие связанные исследования подчеркивают потенциал передовых вычислительных моделей для распознавания групповой активности рыбы, одновременно подчеркивая необходимость повышения эффективности и более глубокой интеграции с данными об окружающей среде для улучшения применимости в реальном мире. В исследовании [161] использовалась графовая сверточная сеть (GCN) с калибровкой признаков для распознавания групповой активности, достигающая впечатляющей точности 93,33%. Аналогичное исследование в [162] было сосредоточено на отслеживании поведения рыбы для оценки качества воды, объединяя алгоритм адаптивной сегментации Otsu с фильтром Калмана для достижения более 98% точности обнаружения в различных водных условиях.

3.9.5. Отслеживание рыбы вокруг морских структур и движущихся камер

Это имеет решающее значение для понимания взаимодействий с искусственными установками и улучшения экологического мониторинга. Эти задачи представляют уникальные проблемы из-за турбулентности, окклюзии и динамической среды. Для мониторинга поведения рыбы и морских птиц вокруг приливных турбин в [163] был применен модифицированный алгоритм ближайшего соседа, эффективно отслеживающий в турбулентных условиях. Для отслеживания с движущимися камерами в [164] был представлен алгоритм отслеживания с деформируемым множественным ядром (DMK), достигающий высокой точности при переменном движении камеры. Хотя метод эффективен, он сталкивается с проблемами при отслеживании более крупных стай и поддержании производительности в течение более длительного времени.

3.9.6. Отслеживание индивидуальности и поведения для мониторинга аквакультуры

Понимание отслеживания отдельных рыб и их поведения жизненно важно для оптимизации методов кормления, мониторинга здоровья и снижения стресса. В исследовании [157] была разработана система, объединяющая отслеживание рыбы с кластеризацией поведения для рыбы Sillago Sihama, что позволяет проводить детальный анализ поведения для поддержки управления аквакультурой. Хотя система эффективна, будущие исследования будут направлены на повышение ее надежности для адаптации к различным условиям и средам аквакультуры. Аналогично, в [165] была представлена онлайн-система прогнозирования выживаемости для мониторинга стресса во время безводной транспортировки, достигающая высокой точности в прогнозировании показателей выживаемости.

3.10. Автоматизация и робототехника в аквакультуре

Эти достижения имеют решающее значение для решения проблем устойчивого рыбоводства, управления ресурсами и сохранения окружающей среды. Ниже вклад из известных исследований классифицируется по различным тематическим областям.

3.10.1. Системы дистанционного зондирования и мониторинга

Системы дистанционного зондирования и мониторинга необходимы для эффективного управления аквакультурой. Интеллектуальная система помощника для аквакультуры [166] интегрировала IoT и большие данные для мониторинга прудов в реальном времени и принятия решений, демонстрируя эффективный анализ окружающей среды и возможности экспертных советов. Аналогично, модель сегментации [167] отображала структуры клеточной и плотовой аквакультуры (CRA) с высокой точностью, используя изображения Sentinel-2, но будущие исследования направлены на расширение наборов данных и проверку с помощью изображений из нескольких источников. Недорогой измеритель проводимости [72] точно измеряет качество воды, но выиграет от интеграции с IoT для дистанционного зондирования и улучшенной калибровки для различных сред. В [168] разработана модель SRUNet для мониторинга морской плотовой аквакультуры в прибрежных районах, достигающая высокой точности в разграничении районов аквакультуры с использованием спутниковых изображений SAR и MSI. В [169] представлена система на основе видео для мониторинга арктического гольца в реальном времени в закрытых резервуарах. Система отслеживает траектории плавания в качестве показателей здоровья, но сталкивается с проблемами в мутности воды и многослойном отслеживании. Будущие улучшения включают интеграцию установок с несколькими камерами и возможностей машинного обучения в реальном времени. Авторы в [170] сосредоточены на мониторинге прибрежной аквакультуры, стремясь точно разграничить районы аквакультуры для управления окружающей средой с использованием спутниковых изображений высокого разрешения GF-2. Авторы в [171] решают проблему устойчивости морской аквакультуры, разрабатывая автономную систему подводных рыбоводных клеток, предназначенную для погружения во время неблагоприятной погоды и всплытия в спокойных условиях, защищая рыбные запасы и инфраструктуру. Более того, в [172] реализована интеллектуальная система аквариума на основе IoT, использующая регрессию дерева решений для автономного прогнозирования и регулирования состояния воды, достигая высокой точности прогнозирования температуры.

3.10.2. Роботизированные и автономные системы для подводного мониторинга

Робототехника и автономные системы продвинули подводные операции аквакультуры. Система на основе ROV [173] осматривала рыбоводные сети с использованием монокулярной одометрии, с планами включения систем SLAM для лучшей надежности. Гибридная энергетическая система [174] питала аэрацию прудов для креветок с использованием ветра, солнца и электролизеров, сокращая выбросы CO2, но требуя стратегий для снижения первоначальных инвестиционных затрат. Кроме того, роботизированная система мониторинга раков [175] автоматизировала кормление и управление качеством воды, но сталкивается с проблемами с подключением и масштабируемостью. Для отслеживания личинок угря система на основе зрения [176] использовала оценку плотности ядра, но требует стабильных условий окружающей среды для повышенной точности.

3.10.3. Инспекции аквакультуры на основе БПЛА и АНПА

БПЛА и АНПА играют ключевую роль в инспекциях аквакультуры. Система на основе БПЛА [177] оценивала ущерб устричным стойкам после тайфуна с использованием обнаружения границ, но сталкивалась с проблемами качества изображений, связанными с погодой, что побудило к исследованиям роев БПЛА для более быстрой оценки. Для предотвращения подводных препятствий система АНПА [178] использовала настраиваемую CNN для оценки карты передачи, демонстрируя эффективную навигацию, но требуя развертывания в реальном времени и тестирования в различных подводных условиях. Система отслеживания траектории [179] для инспекций UUV достигла высокой точности, но нуждается в улучшении стабильности в различных условиях окружающей среды. В [180] предложена система планирования движения для навигации АНПА в аквакультуре, названная ResiVis. Предлагаемая система продемонстрировала надежную навигацию, но сталкивается с ограничениями в очень динамичных условиях, что побуждает к будущей работе над передовыми модулями обнаружения объектов и оценки состояния для безопасной, автономной подводной навигации.

3.10.4. Гибридные и интеллектуальные системы мониторинга

Гибридные системы объединяют различные технологии для мониторинга аквакультуры. В [175] предлагается роботизированная система с поддержкой IoT для автоматизации управления прудом для раков. Система HAUCS в [181] достигла высокой точности в прогнозировании растворенного кислорода и стремится повысить надежность для более широкого применения. Гибридная ультразвуковая система визуализации [182] для подсчета и позиционирования креветок продемонстрировала точность, но требует интеграции с подводными дронами для расширенной функциональности. В аквапонике система цифрового двойника [183] улучшила мониторинг в реальном времени и управление фермой, хотя проблемы с интеграцией данных и взаимодействием в реальном времени остаются. Кроме того, в [184] основное внимание уделяется разработке автоматизированной системы для выявления дефектов крови в филе трески и обеспечению точной роботизированной обработки в аквакультуре. Используя мультимодальный подход к визуализации RGB-D, исследование объединяет SVM для посегментации пикселей и CNN для обнаружения дефектов, достигая 99% и 100% точности соответственно. Несмотря на высокую производительность, проблемы включают спектральное сходство между пятнами крови и нормальной тканью и изменения окружающей среды, такие как освещение и текстура. Более того, в [185] основное внимание уделяется извлечению зон морской аквакультуры (MAZ) для управления окружающей средой с использованием двухполяриметрических изображений Sentinel-1 SAR. В исследовании представлена MAZ-Net, модифицированная архитектура U-Net, улучшенная с помощью текстурных карт на основе GLCM и гибридных сверточных блоков, достигающая высокой F1-оценки 94,77%, превосходя другие модели в идентификации районов аквакультуры в различных приливных и структурных условиях.

3.10.5. Передовые технологии визуализации и датчиков

Передовые технологии визуализации и датчиков поддерживают точный мониторинг аквакультуры. BI2Net [186] достигла высокой точности в извлечении районов аквакультуры, несмотря на проблемы с отложениями, с планами расширения набора данных. Метод, основанный на правилах [187], идентифицировал районы устричной аквакультуры в мутных водах, но требует доработки для учета сезонных изменений. Система мониторинга медуз [10] с использованием CNN продемонстрировала высокую точность обнаружения. Аналогично, система прогнозирования улова рыбы [188] достигла точных прогнозов с использованием гибридных моделей, с планами интеграции дополнительных экологических признаков. Система точного мониторинга [189] применила YOLO к изображениям многолучевого эхолота, стремясь улучшить дифференциацию объектов с помощью 3D-представлений.

3.10.6. Цифровой двойник и прогностическое моделирование

Системы цифрового двойника и прогностическое моделирование оптимизируют операции аквакультуры. Система DT [15] объединила AIoT для кормления и управления окружающей средой, но требует улучшений в подключении и доступности энергии. Федеративное обучение [190] на периферийно-облачной платформе поддерживало обработку данных с сохранением конфиденциальности для выращивания креветок, хотя проблемы масштабируемости сохраняются. Интеллектуальная система Biofloc [191] достигла высокой точности прогнозирования смертности, с будущей работой, сосредоточенной на расширении поддержки видов. Кроме того, динамическая система картирования [192] для внутренней аквакультуры использовала U-Net и рекурсивное исключение признаков, достигая высокой точности, но требуя лучшей сегментации для сложных регионов.

3.10.7. Биологически вдохновленная робототехника

Биологически вдохновленные конструкции привносят инновации в робототехнику аквакультуры. Биомиметический АНПА [193], вдохновленный атлантическим лососем, продемонстрировал эффективное движение, но требует тестирования в реальном мире. Роботизированные рыбы на основе MARL [35] повысили стабильность и уменьшили колебания, но нуждаются в калибровке для динамических сред. Роботизированная система захвата на основе VR [194] достигла высоких показателей успеха в симулированных средах, с будущей работой, сосредоточенной на адаптации к реальному миру. Кроме того, экономичная стратегия отслеживания [195] для роботизированных рыб продемонстрировала точность в испытаниях, с планами по улучшению адаптивности с помощью ультразвуковых датчиков.

3.10.8. Специализированные приложения для аквакультуры

Специализированные приложения расширяют сферу применения робототехники в аквакультуре. Гибридная энергетическая система [174] оптимизировала аэрацию прудов для креветок с использованием возобновляемых ресурсов, в то время как надежная система погружных клеток [196] поддерживала целостность в экстремальных морских условиях. Численная модель [197] анализировала отказы швартовки в сетчатых клетках, что побудило к планам экспериментальной проверки. Кроме того, система отслеживания на основе сонара [198] достигла высокой точности в распознавании подводных целей, с будущей работой, сосредоточенной на легковесных моделях для применения в реальном времени.

Таблица 1. Техническое сравнение приложений AIoT в аквакультуре

Применение	Набор данных	Технология	Исследование	Результаты	Ограничения	Перспективы / Направления развития
Системы умного кормления	Данные о активности рыб, параметры качества воды и экологические факторы из различных источников	IoT-сенсоры, алгоритмы ИИ: CNN, ResNet, OSELM, SVM, RNN, градиентный бустинг, наивный Байес	[8,23,25,53,56,57,67,68,69,70,71,184,199,200,201]	Повышение эффективности кормления, снижение отходов, улучшение темпов роста рыб	Специфичность для контролируемых условий и ограниченное разнообразие видов	Интеграция большего числа видов, системы кормления в реальном времени с IoT, edge-компьютинг
Управление качеством воды	Метрики качества воды (растворённый кислород, pH, температура, мутность), исторические данные, экологические сенсоры и WSN, собранные в различных аквакультурных и резервуарных системах	IoT-сенсоры, алгоритмы ИИ: LSTM, ANN, SVM, CNN, LightGBM, PSO, градиентный бустинг, PCA-LSTM, SAE-LSTM	[13,16,18,26,27,28,40,41,43,45,46,47,48,58,72,73,74,75,76,77,78,79,80,81,82,83,85,86,87,88,172,202,203,204]	Высокая точность прогнозирования качества воды, улучшение мер устойчивого развития	Варьируемость применимости в различных аквакультурных средах	Мониторинг в реальном времени, масштабирование на большие объёмы, включение дополнительных факторов качества воды
Обнаружение, классификация и предотвращение болезней	Изображения рыб, гистологические изображения, данные о качестве воды и экологические факторы, собранные на аквакультурных объектах	IoT-сенсоры, алгоритмы ИИ: CNN, ResNet, SVM, AlexNet, случайный лес, Transfer Learning, деревья решений	[2,7,21,29,30,54,89,90,92,93,94,95,96,97,98,99,100,101,102,103,205]	Высокая точность классификации, эффективное раннее вмешательство при болезнях	Ограниченное количество типов болезней в исследованиях и зависимость от контролируемых изображений	Расширение наборов данных для различных болезней, разработка мобильных приложений для диагностики в реальном времени
Оценка биомассы рыб	Изображения высокого разрешения, стереозрение, сонарные изображения и подводные акустические сигналы, собранные в различных условиях рыбоводства	IoT-сенсоры, алгоритмы ИИ: YOLOv5, Mask R-CNN, DL-YOLO, 3D-реконструкция, LAR, SfM	[59,104,105,106,107,108,109,110,111,112,113,206]	Высокая точность оценки биомассы, помощь в управлении ресурсами и устойчивом производстве	Подвержено влиянию экологических факторов (например, прозрачность воды, освещение)	Мониторинг в реальном времени, расширение применимости на другие виды, интеграция IoT для непрерывного отслеживания
Обнаружение поведения рыб	Видеоданные, эхограммы и телеметрические данные из контролируемых и естественных аквакультурных сред	IoT-сенсоры, алгоритмы ИИ: ResNeXt3×1D, LeNet-5, EchoBERT, FR-CNN, деформируемые модели, DQN, CNN, RNN	[50,51,114,115,116,117,118,119,120,207]	Эффективное выявление аномального поведения и коллективных паттернов	Зависимость от условий окружающей среды, таких как освещение и шум	Мониторинг в реальном времени, расширение категорий поведения, внедрение на устройствах edge computing
Подсчёт организмов в аквакультуре	Изображения, видео и акустические данные для различных популяций рыб, личинок креветок, мальков и голотурий, собранные на аквакультурных объектах	IoT-сенсоры, алгоритмы ИИ: YOLOv2, v5, Faster R-CNN, Multi-Scale CNN, MCNN, SGDAN, ShrimpCountNet, GAN	[6,34,60,61,62,63,64,65,66,121]	Высокая точность подсчёта, быстрая обработка, практично для коммерческого применения	Ограниченная точность при очень высокой плотности популяций и зависимость от специфических условий окружающей среды	Оптимизация для разных видов аквакультуры, снижение требований к оборудованию для мобильного использования
Сегментация, обнаружение и классификация видов в аквакультуре	SAR-изображения, эхограммы, подводные изображения и видео из вторичных источников, таких как GaoFen-3, NOAA и Fish4Knowledge, а также первичные наборы данных	IoT-сенсоры, алгоритмы ИИ: YOLOv5, ANN, Mask R-CNN, Cascade R-CNN, SegNet, SVM, EfficientNet, U-Net, CNN, модели на основе трансформеров, SAEs–LR	[10,11,14,31,32,33,122–143,208,209]	Высокая точность сегментации и классификации, эффективный мониторинг и распознавание видов	Ограниченная генерализация для широкого спектра видов и различных подводных условий	Расширение наборов данных и моделей для новых видов и условий окружающей среды, оптимизация моделей для мобильного использования
Оценка размножения и роста	Разнообразные наборы данных, включая изображения кобии, активность створок устриц, данные о длине и массе рыбы, а также смоделированные данные роста	IoT-сенсоры, алгоритмы ИИ: YOLOv8, OpenPose, FHRCNN, CNN, LSTM, стереозрение, ResNetv2	[12,32,33,62,125,133,135,138,143–153]	Высокая точность прогнозирования роста и стадий размножения, неинвазивные методы измерений	Ограниченная адаптивность к различным условиям среды, точность зависит от подводных факторов	Расширение на большее количество видов, интеграция сенсоров в реальном времени, доработка моделей для устойчивости к условиям окружающей среды
Отслеживание рыб и индивидуальность	Разнообразные наборы данных, включая радужки атлантического лосося, записи сонаров, Fish4Knowledge и видеозаписи in situ из приливных и аквакультурных сред	IoT-сенсоры, алгоритмы ИИ: CNN, фильтр Калмана, YOLO-CTS, Deep-SORT, DFTNet, GMM, GCVC, DMK, ARIMA	[154–165,210,211]	Высокая точность отслеживания и идентификации, эффективный анализ поведения в сложных средах	Ограниченная стабильность долгосрочной идентификации для систем на основе радужки, подверженных влиянию шума среды	Повышение биометрической стабильности, интеграция сенсорных данных (например, сонар), доработка методов обнаружения для сложных сцен
Автоматизация и робототехника	Наборы данных из первичных и вторичных источников, включая спутниковые изображения (Sentinel, GF-1, GF-2), подводное видео, данные сенсоров с аквакультурных объектов, данные моделирования автономных систем	IoT-сенсоры, алгоритмы ИИ: YOLOv5, Mask R-CNN, LSTM, цифровые двойники, RNN, CNN, модели на основе трансформеров, многоагентное обучение с подкреплением, обработка изображений, федеративное обучение, генетическая оптимизация, 3DCNN	[10,15,35,72,166–198]	Улучшение мониторинга, управления и операционной эффективности в аквакультуре с помощью автономных систем и робототехнических решений	Ограниченная устойчивость в сложных или изменяющихся условиях среды, зависимость от стабильного подключения и энергии	Повышение адаптивности к окружающей среде, расширение возможностей для новых видов и условий, интеграция данных из различных источников и IoT

4. Преимущества AIoT в аквакультуре

По сравнению с традиционными подходами, AIoT приносит трансформационные преимущества. Объединяя функции, которые обеспечивают сбор данных в реальном времени с интеллектуальным анализом, AIoT может легко сократить ручные усилия по мониторингу окружающей среды, кормлению и обнаружению заболеваний. Традиционные методы зависят от большого количества рабочей силы и периодического отбора проб. Более того, эти методы неэффективны и подвержены ошибкам. AIoT автоматически выполняет эти задачи с большей точностью, единообразием и своевременностью, повышая продуктивность и устойчивость.

Среди наиболее важных преимуществ AIoT является автоматический и непрерывный мониторинг окружающей среды. Датчики IoT, установленные в системах аквакультуры, отслеживают критические параметры, что позволяет осуществлять проактивную корректировку. Это особенно важно в чувствительных средах аквакультуры, где незначительные изменения могут иметь огромное значение для здоровья организмов. Во-вторых, прогностический анализ для эффективного управления ресурсами также выделяется как одно из ключевых преимуществ AIoT в аквакультуре. Передовые алгоритмы, такие как сети LSTM, могут заранее предсказать истощение кислорода и, таким образом, позволить фермерам принимать превентивные меры по аэрации или кормлению. В-третьих, AIoT автоматизирует кормление и анализ поведения. Применяя алгоритмы ИИ для анализа видеоизображений поведения рыбы в реальном времени, графики кормления корректируются динамически. Это помогает свести к минимуму потери корма и обеспечивает более здоровые темпы роста. В-четвертых, системы AIoT создают беспрецедентные удобства для операторов аквакультуры, позволяя управлять и контролировать условия на расстоянии. ИИ также разработал технологии цифровых двойников, виртуальные представления среды аквакультуры, где фермеры могут получить возможность наблюдать, моделировать и управлять параметрами издалека. Это снизит потребность в рабочей силе, позволяя фермерам эффективно управлять несколькими объектами, улучшая качество решений за счет более быстрого времени отклика. Наконец, экосистема AIoT способствует устойчивости и меньшему воздействию на окружающую среду. Питая датчики и устройства IoT с помощью интегрированных возобновляемых источников энергии, солнечной или ветровой, система сокращает выбросы парниковых газов благодаря AIoT и снижает затраты. В гибридных энергетических системах вокруг прудов для креветок аквакультура смогла зафиксировать значительное сокращение углеродного следа, сохраняя при этом оптимальную аэрацию, что, следовательно, доказывает двойные преимущества для экологической и экономической устойчивости.

5. Проблемы и ограничения AIoT в аквакультуре

Хотя интеграция с AIoT революционизирует аквакультуру, ее постоянное внедрение и масштабируемость по-прежнему омрачаются многими проблемами и врожденными ограничениями, такими как высокая стоимость и требования к инфраструктуре, проблемы конфиденциальности данных, проблемы изменчивости окружающей среды в отношении задействованных природных ресурсов и масштабирование.

5.1. Высокие первоначальные затраты и требования к инфраструктуре

Внедрение системы AIoT обходится дорого. Сенсорные сети, инфраструктура данных и вычислительные ресурсы для целостной интеграции AIoT иногда сопряжены с высокими первоначальными затратами, которые могут препятствовать инвестициям со стороны малых и средних аквакультурных ферм. Для таких крупномасштабных операций проблемы с затратами, которые остаются, включают обслуживание датчиков, обновление программного обеспечения и хранение данных, что усложняет ситуацию и требует как капитальных вложений, так и технических знаний.

5.2. Изменчивость окружающей среды и адаптивность модели

Аквакультура работает в средах, подверженных значительной изменчивости, такой как изменения в качестве воды, температуре и солености. Эта динамическая среда является основным виновником того, что модель ИИ часто работает неэффективно при обобщении для различных водных сред или даже для разных видов. Это может повлечь за собой частое переобучение и адаптацию, которые являются ресурсоемкими и трудоемкими, особенно для небольших операций.

5.3. Проблемы конфиденциальности и безопасности данных

Взаимосвязанный характер систем AIoT также подвергает операции аквакультуры определенному риску в отношении конфиденциальности и безопасности данных. Будет постоянный сбор данных через устройства IoT о конфиденциальных операционных практиках, здоровье рыбы и условиях окружающей среды, что создает потенциал для взлома и несанкционированного доступа. Эти риски требуют строгих мер кибербезопасности: шифрования, безопасной сетевой архитектуры и контроля доступа.

5.4. Проблемы масштабируемости

Масштабирование AIoT в таком разнообразии может оказаться особенно проблематичным среди операторов аквакультуры, у которых нет ни инфраструктуры, ни ресурсов для развертывания устройств тысячами. Действительно, небольшие фермы могут счесть сопутствующие расходы на такие обширные сети датчиков и связанные с ними системы управления данными непомерно высокими и выходящими за рамки их инвестиционных бюджетов.

5.5. Сложность и требования к технической экспертизе

Развертывание и эксплуатация системы AIoT являются специализированными, требующими навыков в области науки о данных и машинного обучения, помимо использования устройств IoT. Большинству операторов аквакультуры, особенно малым и средним предприятиям, может не хватать технических знаний, необходимых для эффективного внедрения таких технологий и их поддержания.

5.6. Ограничения в обобщении моделей для разных видов и приложений

Большинство моделей ИИ в аквакультуре были разработаны либо для конкретных видов, либо для конкретных сред, что еще больше ограничивает их общее применение в различных операциях аквакультуры. Например, система ИИ, настроенная на атлантического лосося, скорее всего, будет работать плохо, если ее применить непосредственно к креветкам или тилапии из-за различий в поведенческих особенностях и/или экологических требованиях. Ей не хватает адаптивности, и она требует частого переобучения или настройки модели для каждого вида или условия; это снижает широкую применимость решения AIoT в более широком диапазоне аквакультурных помещений.

5.7. Экологическое и экологическое воздействие

Энергоемкая обработка данных и оборудование для мониторинга делают системы AIoT, особенно те, которые используются для этой цели, способствующими ухудшению состояния окружающей среды, что противоречит целям устойчивости аквакультуры. Потребность в энергии для крупномасштабного развертывания устройств AIoT и использования электроники в водной среде вызывает опасения по поводу их устойчивости и возможного нарушения экосистемы.

6. Будущие направления AIoT в аквакультуре

Начиная с передовых приложений AIoT для интеллектуальных систем кормления, управления качеством воды, обнаружения заболеваний, мониторинга поведения рыбы, оценки биомассы и автоматизации, все еще предстоит проделать работу в нескольких областях. Будущие направления в AIoT для аквакультуры связаны с адаптивностью в реальном времени, устойчивостью к факторам окружающей среды, расширяемостью и экономичностью в различных средах аквакультуры.

6.1. Адаптивность и принятие решений в реальном времени

Важным направлением для будущих исследований является то, как AIoT может улучшить адаптивность в реальном времени в целом для аквакультуры; то есть, позволить таким объектам немедленно реагировать на динамические изменения окружающей среды [23, 59]. Это позволило бы системам, работающим непрерывно, даже в самых отдаленных средах, предоставлять оптимизированные параметры, такие как интенсивность кормления и качество воды, для здоровья рыбы и экологической устойчивости.

6.2. Адаптивность к конкретным видам и среде

Создание систем AIoT для аквакультуры, адаптируемых к широкому спектру изменчивости видов и условий окружающей среды, является бесконечной задачей. Значительное количество моделей, которые хорошо работают в заданных условиях, может, пожалуй, увидеть снижение обобщаемости из-за таких переменных, как освещение, мутность воды или поведение, когда включаются другие виды или среды. Будущая работа должна быть направлена на адаптивные алгоритмы и мультимодальные системы для обработки изменчивости в нескольких видах и экологических контекстах [53, 115]. Это может быть достигнуто либо путем обучения набора данных на широком спектре видов и сред, либо путем создания архитектуры передаточного обучения, чтобы модели хорошо обобщались для разных аквакультурных объектов.

6.3. Масштабируемость и экономичность для более широкого внедрения

Масштабируемость остается серьезной проблемой для внедрения AIoT, в первую очередь среди небольших операторов аквакультуры, у которых может не быть ресурсов для инвестирования в высококлассные решения. Потенциал для инноваций и интеграции датчиков с мобильными совместимыми системами экономичным способом предоставит способы сделать решения AIoT доступными для малых и средних ферм. Кроме того, это говорит о том, что облачные платформы с обработкой данных минимизируют требования к аппаратному обеспечению для интеллектуального кормления и управления качеством воды, например, в рассмотренных исследованиях.

6.4. Интегрированные мультимодальные системы для комплексного мониторинга

В будущих системах AIoT набор источников данных должен быть интегрирован — визуальных, акустических и экологических — в единую платформу мониторинга, которая может улучшить общее благополучие рыбы. Исследовательские работы, проведенные по оценке биомассы и поведения рыбы, показали четкие доказательства мультимодального подхода с использованием как видимых, так и акустических данных для сбора всесторонней информации о здоровье рыбы и динамике популяции. С развитием интегрированных и мультимодальных систем операторы аквакультуры получают полное, целостное представление об условиях их культурных сред. Такая система будет способствовать устойчивости, поскольку не будет зависеть от какого-либо одного источника данных, на который могут влиять шум окружающей среды или поведенческие особенности, специфичные для вида, связанные с кормлением, качеством воды и благополучием рыб.

6.5. Усовершенствованное обнаружение и профилактика заболеваний с помощью биосенсоров в реальном времени

Системы AIoT еще не стали эффективными в раннем обнаружении и предотвращении вспышек заболеваний, что, безусловно, является большой областью для будущего развития. Текущие подходы к обнаружению заболеваний используют алгоритмы ИИ поверх биосенсоров IoT, отслеживая показатели здоровья; однако эти подходы имеют некоторые ограничения в отношении ограничений наборов данных и требования к обобщаемости для разных видов. Будущие исследования должны быть направлены на внедрение биосенсоров в реальном времени, которые могут отслеживать уровни патогенов, чтобы позволить операторам осуществлять раннее распознавание и вмешательство против возникновения заболевания. Кроме того, благодаря созданию мобильных и автономных совместимых решений, обнаружение заболеваний с поддержкой AIoT может достичь даже самых отдаленных и бедных ресурсами объектов аквакультуры.

6.6. Передовая автоматизация и робототехника для эффективных операций

Робототехника аквакультуры — это развивающаяся область, в которой недавние исследования демонстрируют системы, способные выполнять подводные задачи все более высокой сложности, связанные с инспекцией рыбоводных сетей, структурным мониторингом и подсчетом организмов. Поэтому будущие разработки робототехники должны быть направлены на повышение адаптивности и эффективности для работы в различных и сложных условиях с надежностью. Непрерывный сбор и обработка данных в реальном времени будут облегчены за счет повышения надежности датчиков и алгоритмов, одновременно обеспечивая более длительное время развертывания за счет улучшенных средств достижения более длительного срока службы батареи и энергоэффективности. Слияние нескольких датчиков в сочетании с ИИ также может привести к гораздо более автономным, точным роботизированным системам, способным выполнять рутинные операции, экономить рабочую силу и повышать операционную эффективность.

6.7. Устойчивые энергетические решения для удаленной аквакультуры

Для аквакультурных ферм в отдаленных или морских районах требование энергетической независимости, по сути, жизненно важно. Гибридные энергетические платформы на возобновляемой солнечной и ветровой энергии, наряду с оптимизацией энергии с поддержкой AIoT, могут снизить зависимость от традиционных источников энергии. Развитие устойчивых энергетических решений, специфичных для аквакультуры, безусловно, может в значительной степени сократить операционные расходы, одновременно решая экологическую проблему аквакультурной отрасли в целом. Будущие исследования в этой области должны быть сосредоточены на объединении их с традиционной инфраструктурой AIoT, которая может обеспечить регулярное электроснабжение этих систем для непрерывного мониторинга и автоматизированных операций, особенно в морских условиях.

6.8. Цифровые двойники и прогностический анализ для проактивного управления

Технология цифрового двойника включает в себя разработку виртуальной модели действующей системы аквакультуры. Она имеет многообещающий потенциал для моделирования и оптимизации операций в реальном времени [15]. Это позволит использовать прогностический анализ, позволяя операторам моделировать потенциально возникающие сценарии и принимать проактивные меры для снижения рисков, оптимизации кормления и повышения общей производительности системы. Расширенное развитие цифровых двойников в аквакультуре должно обеспечить интеграцию данных с более высоким уровнем интеграции от датчиков IoT, улучшить мониторинг в реальном времени и обеспечить прогностическое принятие решений. В свою очередь, будущие исследования должны быть направлены на лучшую обработку данных и более высокий уровень совместимости в системах цифровых двойников при разработке гибких моделей, которые могут моделировать различные аквакультурные экосистемы.

7. Выводы и будущая работа

Этот обзор систематически исследует и анализирует степень, в которой технологии AIoT продвигают аквакультурную отрасль. Интеграция ИИ и IoT способствовала развитию аквакультуры, эффективно решая критические проблемы, такие как операционная неэффективность, экологическая неустойчивость.

-----

Ссылки

1. FAO. The State of World Fisheries and Aquaculture 2022; Towards blue transformation; FAO: Rome, Italy, 2022. [Google Scholar] [CrossRef]
2. Huang, Y.-P.; Khabusi, S.P. A CNN-OSELM multi-layer fusion network with attention mechanism for fish disease recognition in aquaculture. IEEE Access 2023, 11, 58729–58744. [Google Scholar] [CrossRef]
3. Araujo, G.S.; da Silva, J.W.A.; Cotas, J.; Pereira, L. Fish farming techniques: Current situation and trends. J. Mar. Sci. Eng. 2022, 10, 1598. [Google Scholar] [CrossRef]
4. Sun, M.; Yang, X.; Xie, Y. Deep learning in aquaculture: A review. J. Comput. 2020, 31, 294–319. [Google Scholar]
5. Yue, G.H.; Tay, Y.X.; Wong, J.; Shen, Y.; Xia, J. Aquaculture species diversification in China. Aquac. Fish. 2024, 9, 206–217. [Google Scholar] [CrossRef]
6. Liu, D.; Xu, B.; Cheng, Y.; Chen, H.; Dou, Y.; Bi, H.; Zhao, Y. Shrimpseed_Net: Counting of shrimp seed using deep learning on smartphones for aquaculture. IEEE Access 2023, 11, 85441–85450. [Google Scholar] [CrossRef]
7. Vembarasi, K.; Thotakura, V.P.; Senthilkumar, S.; Ramachandran, L.; Praba, V.L.; Vetriselvi, S.; Chinnadurai, M. White spot syndrome detection in shrimp using neural network model. In Proceedings of the 11th International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India, 28 February–1 March 2024; pp. 212–217. [Google Scholar]
8. Shen, Y.; Arablouei, R.; de Hoog, F.; Xing, H.; Malan, J.; Sharp, J.; Shouri, S.; Clark, T.D.; Lefevre, C.; Kroon, F.; et al. In-Situ fish heart-rate estimation and feeding event detection using an implantable biologger. IEEE Trans. Mob. Comput. 2023, 22, 968–982. [Google Scholar] [CrossRef]
9. Tricas, T.C.; Boyle, K.S. Acoustic behaviors in Hawaiian coral reef fish communities. Mar. Ecol. Prog. Ser. 2014, 511, 1–16. [Google Scholar] [CrossRef]
10. Kim, H.; Koo, J.; Kim, D.; Jung, S.; Shin, J.-U.; Lee, S.; Myung, H. Image-based monitoring of jellyfish using deep learning architecture. IEEE Sens. J. 2016, 16, 2215–2216. [Google Scholar] [CrossRef]
11. Weihong, B.; Yun, J.; Jiaxin, L.; Lingling, S.; Guangwei, F.; Wa, J. In-situ detection method of jellyfish based on improved faster R-CNN and FP16. IEEE Access 2023, 11, 81803–81814. [Google Scholar] [CrossRef]
12. Dunker, S.; Boho, D.; Wäldchen, J.; Mäder, P. Combining high-throughput imaging flow cytometry and deep learning for efficient species and life-cycle stage identification of phytoplankton. BMC Ecol. 2018, 18, 51. [Google Scholar] [CrossRef]
13. Collos, Y.; Harrison, P.J. Acclimation and toxicity of high ammonium concentrations to unicellular algae. Mar. Pollut. Bull. 2014, 80, 8–23. [Google Scholar] [CrossRef]
14. Pedraza, A.; Bueno, G.; Deniz, O.; Cristóbal, G.; Blanco, S.; Borrego-Ramos, M. Automated diatom classification (Part B): A deep learning approach. Appl. Sci. 2017, 7, 460. [Google Scholar] [CrossRef]
15. Ubina, N.A.; Lan, H.-Y.; Cheng, S.-C.; Chang, C.-C.; Lin, S.-S.; Zhang, K.-X.; Lu, H.-Y.; Cheng, C.-Y.; Hsieh, Y.-Z. Digital twin-based intelligent fish farming with Artificial Intelligence internet of things (AIoT). Smart Agric. Technol. 2023, 5, 100285. [Google Scholar] [CrossRef]
16. Singh, M.; Sahoo, K.S.; Nayyar, A. Sustainable IoT Solution for Freshwater Aquaculture Management. IEEE Sens. J. 2022, 22, 16563–16572. [Google Scholar] [CrossRef]
17. Petkovski, A.; Ajdari, J.; Zenuni, X. IoT-based solutions in aquaculture: A systematic literature review. In Proceedings of the 44th International Convention on Information, Communication and Electronic Technology (MIPRO), Opatija, Croatia, 27 September–1 October 2021; pp. 1358–1363. [Google Scholar]
18. Hu, W.-C.; Chen, L.-B.; Wang, B.-H.; Li, G.-W.; Huang, X.-R. An AIoT-based water quality inspection system for intelligent aquaculture. In Proceedings of the IEEE 11th Global Conference on Consumer Electronics (GCCE), Osaka, Japan, 18–21 October 2022; pp. 551–552. [Google Scholar]
19. Hu, W.-C.; Chen, L.-B.; Wang, B.-H.; Li, G.-W.; Huang, X.-R. Design and implementation of a full-time artificial intelligence of things-based water quality inspection and prediction system for intelligent aquaculture. IEEE Sens. J. 2024, 24, 3811–3821. [Google Scholar] [CrossRef]
20. Rastegari, H.; Nadi, F.; Lam, S.S.; Ikhwanuddin, M.; Kasan, N.A.; Rahmat, R.F.; Mahari, W.A.W. Internet of things in aquaculture: A review of the challenges and potential solutions based on current and future trends. Smart Agric. Technol. 2023, 4, 100187. [Google Scholar] [CrossRef]
21. Bodaragama, B.B.D.T.; Miyurangana, E.H.A.D.M.; Jayakod, Y.T.W.S.L.; Vipulasiri, D.M.H.D.; Rajapaksha, U.U.S.; Krishara, J. IoT-Based Solution for Fish Disease Detection and Controlling a Fish Tank Through a Mobile Application. In Proceedings of the IEEE 9th International Conference for Convergence in Technology (I2CT), Pune, India, 5–7 April 2024; pp. 1–6. [Google Scholar]
22. Li, T.; Rong, S.; Chen, L.; Zhou, H.; He, B. Underwater motion deblurring based on cascaded attention mechanism. IEEE J. Ocean. Eng. 2024, 49, 262–278. [Google Scholar] [CrossRef]
23. Hu, W.-C.; Chen, L.-B.; Huang, B.-K.; Lin, H.-M. A computer vision-based intelligent fish feeding system using deep learning techniques for aquaculture. IEEE Sens. J. 2022, 22, 7185–7194. [Google Scholar] [CrossRef]
24. Nagothu, S.K.; Sri, P.B.; Anitha, G.; Vincent, S.; Kumar, O.P. Advancing aquaculture: Fuzzy logic-based water quality monitoring and maintenance system for precision aquaculture. Aquac. Int. 2024, 33, 32. [Google Scholar] [CrossRef]
25. Adegboye, M.A.; Aibinu, A.M.; Kolo, J.G.; Aliyu, I.; Folorunso, T.A.; Lee, S.-H. Incorporating intelligence in fish feeding system for dispensing feed based on fish feeding intensity. IEEE Access 2020, 8, 91948–91960. [Google Scholar] [CrossRef]
26. Haq, K.P.R.A.; Harigovindan, V.P. Water quality prediction for smart aquaculture using hybrid deep learning models. IEEE Access 2022, 10, 60078–60098. [Google Scholar] [CrossRef]
27. Khan, P.W.; Byun, Y.C. Optimized dissolved oxygen prediction using genetic algorithm and bagging ensemble learning for smart fish farm. IEEE Sens. J. 2023, 23, 15153–15164. [Google Scholar] [CrossRef]
28. Liu, J.; Zhang, T.; Han, G.; Gou, Y. TD-LSTM: Temporal dependence-based LSTM networks for marine temperature prediction. Sensors 2018, 18, 3797. [Google Scholar] [CrossRef] [PubMed]
29. Khabusi, S.P.; Huang, Y.-P.; Lee, M.-F.; Tsai, M.-C. Enhanced U-Net and PSO-optimized ANFIS for classifying fish diseases in underwater images. Int. J. Fuzzy Syst. 2024, 26, 2518–2535. [Google Scholar] [CrossRef]
30. Kumaar, A.S.; Vignesh, A.V.; Deepak, K. FishNet freshwater fish disease detection using deep learning techniques. In Proceedings of the 2nd International Conference on Advancement in Computation & Computer Technologies (InCACCT), Gharuan, India, 2–3 May 2024; pp. 368–373. [Google Scholar]
31. Pham, T.-N.; Nguyen, V.-H.; Kwon, K.-R.; Kim, J.-H.; Huh, J.-H. Improved YOLOv5 based deep learning system for jellyfish detection. IEEE Access 2024, 12, 87838–87849. [Google Scholar] [CrossRef]
32. Zhao, Z.; Liu, Y.; Sun, X.; Liu, J.; Yang, X.; Zhou, C. Composited FishNet: Fish detection and species recognition from low-quality underwater videos. IEEE Trans. Image Process. 2021, 30, 4719–4734. [Google Scholar] [CrossRef]
33. Anjum, S.S.; Shruthi, K.M.; Naziya, F.H.S.; Anusha, M.N. Ensemble neural network based fish species identification for emerging aquaculture application. In Proceedings of the International Conference on Recent Advances in Science and Engineering Technology (ICRASET), B G Nagara, India, 23–24 November 2023; pp. 1–6. [Google Scholar]
34. Rasmussen, C.; Zhao, J.; Ferraro, D.; Trembanis, A. Deep census: AUV-based scallop population monitoring. In Proceedings of the IEEE International Conference on Computer Vision Workshops (ICCVW), Venice, Italy, 22–29 October 2017; pp. 2865–2873. [Google Scholar] [CrossRef]
35. Qiu, C.; Wu, Z.; Wang, J.; Tan, M.; Yu, J. Multiagent-reinforcement-learning-based stable path tracking control for a bionic robotic fish with reaction wheel. IEEE Trans. Ind. Electron. 2023, 70, 12670–12679. [Google Scholar] [CrossRef]
36. Persson, D.; Nødtvedt, A.; Aunsmo, A.; Stormoen, M. Analysing mortality patterns in salmon farming using daily cage registrations. J. Fish Dis. 2022, 45, 335–347. [Google Scholar] [CrossRef]
37. Tavares-Dias, M.; Martins, M.L. An overall estimation of losses caused by diseases in the Brazilian fish farms. J. Parasit. Dis. 2017, 41, 913–918. [Google Scholar] [CrossRef] [PubMed]
38. Muhammed, D.; Ahvar, E.; Ahvar, S.; Trocan, M.; Montpetit, M.-J.; Ehsani, R. Artificial intelligence of things (AIoT) for smart agriculture: A review of architectures, technologies and solutions. J. Netw. Comput. Appl. 2024, 228, 103905. [Google Scholar] [CrossRef]
39. Nguyen, T.; Nguyen, H.; Gia, T.N. Exploring the integration of edge computing and blockchain IoT: Principles, architectures, security, and applications. J. Netw. Comput. Appl. 2024, 226, 103884. [Google Scholar] [CrossRef]
40. Pasika, S.; Gandla, S.T. Smart water quality monitoring system with cost-effective using IoT. Heliyon 2020, 6, e04096. [Google Scholar] [CrossRef] [PubMed]
41. Liu, S.; Yin, B.; Sang, G.; Lv, Y.; Wang, M.; Xiao, S.; Yan, R.; Wu, S. Underwater temperature and salinity fiber sensor based on semi-open cavity structure of asymmetric MZI. IEEE Sens. J. 2023, 23, 18219–18233. [Google Scholar] [CrossRef]
42. Parra, L.; Lloret, G.; Lloret, J.; Rodilla, M. Physical sensors for precision aquaculture: A review. IEEE Sens. J. 2018, 18, 3915–3923. [Google Scholar] [CrossRef]
43. Akindele, A.A.; Sartaj, M. The toxicity effects of ammonia on anaerobic digestion of organic fraction of municipal solid waste. Waste Manag. 2018, 71, 757–766. [Google Scholar] [CrossRef]
44. Matos, T.; Pinto, V.; Sousa, P.; Martins, M.; Fernández, E.; Henriques, R.; Gonçalves, L.M. Design and in situ validation of low-cost and easy to apply anti-biofouling techniques for oceanographic continuous monitoring with optical instruments. Sensors 2023, 23, 605. [Google Scholar] [CrossRef] [PubMed]
45. Chiang, C.-T.; Chen, T.-Y.; Wu, Y.-T. Design of a water salinity difference detector for monitoring instantaneous salinity changes in aquaculture. IEEE Sens. J. 2020, 20, 3242–3248. [Google Scholar] [CrossRef]
46. Chiang, C.-T.; Chang, C.-W. Design of a calibrated salinity sensor transducer for monitoring salinity of ocean environment and aquaculture. IEEE Sens. J. 2015, 15, 5151–5157. [Google Scholar] [CrossRef]
47. Chen, F.; Qiu, T.; Xu, J.; Zhang, J.; Du, Y.; Duan, Y.; Zeng, Y.; Zhou, L.; Sun, J.; Sun, M. Rapid real-time prediction techniques for ammonia and nitrite in high-density shrimp farming in recirculating aquaculture systems. Fishes 2024, 9, 386. [Google Scholar] [CrossRef]
48. Wang, Y.; Xu, D.; Li, X.; Wang, W. Prediction model of ammonia nitrogen concentration in aquaculture based on improved AdaBoost and LSTM. Mathematics 2024, 12, 627. [Google Scholar] [CrossRef]
49. Delgado, A.; Briciu-Burghina, C.; Regan, F. Antifouling strategies for sensors used in water monitoring: Review and future perspectives. Sensors 2021, 21, 389. [Google Scholar] [CrossRef] [PubMed]
50. Wang, J.-H.; Lee, S.-K.; Lai, Y.-C.; Lin, C.-C.; Wang, T.-Y.; Lin, Y.-R.; Hsu, T.-H.; Huang, C.-W.; Chiang, C.-P. Anomalous behaviors detection for underwater fish using AI techniques. IEEE Access 2020, 8, 224372–224382. [Google Scholar] [CrossRef]
51. Chen, P.; Wang, F.; Liu, S.; Yu, Y.; Yue, S.; Song, Y.; Lin, Y. Modeling collective behavior for fish school with deep Q-networks. IEEE Access 2023, 11, 36630–36641. [Google Scholar] [CrossRef]
52. Rosell-Moll, E.; Piazzon, M.; Sosa, J.; Ferrer, M.; Cabruja, E.; Vega, A.; Calduch-Giner, J.; Sitjà-Bobadilla, A.; Lozano, M.; Montiel-Nelson, J.; et al. Use of accelerometer technology for individual tracking of activity patterns, metabolic rates and welfare in farmed gilthead sea bream (Sparus aurata) facing a wide range of stressors. Aquaculture 2021, 539, 736609. [Google Scholar] [CrossRef]
53. Huang, Y.-P.; Vadloori, S. Optimizing fish feeding with FFAUNet segmentation and adaptive fuzzy inference system. Processes 2024, 12, 1580. [Google Scholar] [CrossRef]
54. Gu, J.; Deng, C.; Lin, X.; Yu, D. Expert system for fish disease diagnosis based on fuzzy neural network. In Proceedings of the 3rd International Conference on Intelligent Control and Information Processing (ICICIP), Dalian, China, 15–17 July 2012; pp. 146–149. [Google Scholar]
55. Chai, Y.; Yu, H.; Xu, L.; Li, D.; Chen, Y. Deep learning algorithms for sonar imagery analysis and its application in aquaculture: A review. IEEE Sens. J. 2023, 23, 28549–28563. [Google Scholar] [CrossRef]
56. Cao, Y.; Liu, S.; Wang, M.; Liu, W.; Liu, T.; Cao, L.; Guo, J.; Feng, D.; Zhang, H.; Hassan, S.G.; et al. A hybrid method for identifying the feeding behavior of tilapia. IEEE Access 2024, 12, 76022–76037. [Google Scholar] [CrossRef]
57. Huang, M.; Zhou, Y.-G.; Yang, X.-G.; Gao, Q.-F.; Chen, Y.-N.; Ren, Y.-C.; Dong, S.-L. Optimizing feeding frequencies in fish: A meta-analysis and machine learning approach. Aquaculture 2024, 595, 741678. [Google Scholar] [CrossRef]
58. Chen, H.; Nan, X.; Xia, S. Data fusion based on temperature monitoring of aquaculture ponds with wireless sensor networks. IEEE Sens. J. 2023, 23, 6–20. [Google Scholar] [CrossRef]
59. Tang, N.T.; Lim, K.G.; Yoong, H.P.; Ching, F.F.; Wang, T.; Teo, K.T.K. Non-intrusive biomass estimation in aquaculture using structure from motion within decision support systems. In Proceedings of the IEEE International Conference on Artificial Intelligence in Engineering and Technology (IICAIET), Kota Kinabalu, Malaysia, 26–28 August 2024; pp. 682–686. [Google Scholar]
60. Hu, W.-C.; Chen, L.-B.; Hsieh, M.-H.; Ting, Y.-K. A deep-learning-based fast counting methodology using density estimation for counting shrimp larvae. IEEE Sens. J. 2023, 23, 527–535. [Google Scholar] [CrossRef]
61. Pai, K.M.; Shenoy, K.B.A.; Pai, M.M.M. A computer vision based behavioral study and fish counting in a controlled environment. IEEE Access 2022, 10, 87778–87786. [Google Scholar] [CrossRef]
62. Sthapit, P.; Teekaraman, Y.; MinSeok, K.; Kim, K. Algorithm to estimation fish population using echosounder in fish farming net. In Proceedings of the International Conference on Information and Communication Technology Convergence (ICTC), Jeju, Republic of Korea, 16–18 October 2019; pp. 587–590. [Google Scholar]
63. Yu, H.; Wang, Z.; Qin, H.; Chen, Y. An automatic detection and counting method for fish lateral line scales of underwater fish based on improved YOLOv5. IEEE Access 2023, 11, 143616–143627. [Google Scholar] [CrossRef]
64. Zhou, Y.; Yu, H.; Wu, J.; Cui, Z.; Pang, H.; Zhang, F. Fish density estimation with multi-scale context enhanced convolutional neural network. J. Commun. Inf. Netw. 2019, 4, 80–89. [Google Scholar] [CrossRef]
65. Chen, H.; Cheng, Y.; Dou, Y.; Tan, H.; Yuan, G.; Bi, H.; Liu, D. Fry counting method in high-density culture based on image enhancement algorithm and attention mechanism. IEEE Access 2024, 12, 41734–41749. [Google Scholar] [CrossRef]
66. Zhang, X.; Zeng, H.; Liu, X.; Yu, Z.; Zheng, H.; Zheng, B. In situ Holothurian noncontact counting system: A general framework for Holothurian counting. IEEE Access 2020, 8, 210041–210053. [Google Scholar] [CrossRef]
67. Li, H.; Chatzifotis, S.; Lian, G.; Duan, Y.; Li, D.; Chen, T. Mechanistic model based optimization of feeding practices in aquaculture. Aquac. Eng. 2022, 97, 102245. [Google Scholar] [CrossRef]
68. Atoum, Y.; Srivastava, S.; Liu, X. Automatic feeding control for dense aquaculture fish tanks. IEEE Signal Process. Lett. 2015, 22, 1089–1093. [Google Scholar] [CrossRef]
69. Wei, M.; Lin, Y.; Chen, K.; Su, W.; Cheng, E. Study on feeding activity of Litopenaeus vannamei based on passive acoustic detection. IEEE Access 2020, 8, 156654–156662. [Google Scholar] [CrossRef]
70. Zeng, Y.; Yang, X.; Pan, L.; Zhu, W.; Wang, D.; Zhao, Z.; Liu, J.; Sun, C.; Zhou, C. Fish school feeding behavior quantification using acoustic signal and improved Swin Transformer. Comput. Electron. Agric. 2022, 204, 107580. [Google Scholar] [CrossRef]
71. Zhou, C.; Xu, D.; Chen, L.; Zhang, S.; Sun, C.; Yang, X.; Wang, Y. Evaluation of fish feeding intensity in aquaculture using a convolutional neural network and machine vision. Aquaculture 2019, 507, 457–465. [Google Scholar] [CrossRef]
72. Adhikary, A.; Roy, J.; Kumar, A.G.; Banerjee, S.; Biswas, K. An impedimetric Cu-polymer sensor-based conductivity meter for precision agriculture and aquaculture applications. IEEE Sens. J. 2019, 19, 12087–12095. [Google Scholar] [CrossRef]
73. Liu, W.; Liu, S.; Hassan, S.G.; Cao, Y.; Xu, L.; Feng, D.; Cao, L.; Chen, W.; Chen, Y.; Guo, J.; et al. A novel hybrid model to predict dissolved oxygen for efficient water quality in intensive aquaculture. IEEE Access 2023, 11, 29162–29174. [Google Scholar] [CrossRef]
74. Li, D.; Wang, X.; Sun, J.; Feng, Y. Radial basis function neural network model for dissolved oxygen concentration prediction based on an enhanced clustering algorithm and Adam. IEEE Access 2021, 9, 44521–44533. [Google Scholar] [CrossRef]
75. Li, D.; Sun, J.; Yang, H.; Wang, X. An enhanced naive Bayes model for dissolved oxygen forecasting in shellfish aquaculture. IEEE Access 2020, 8, 217917–217927. [Google Scholar] [CrossRef]
76. Chen, Y.; Cheng, Q.; Fang, X.; Yu, H.; Li, D. Principal component analysis and long short-term memory neural network for predicting dissolved oxygen in water for aquaculture. Trans. Chin. Soc. Agric. Eng. (CSAE) 2018, 34, 183–191. [Google Scholar]
77. Li, Z.; Peng, F.; Niu, B.; Li, G.; Wu, J.; Miao, Z. Water quality prediction model combining sparse auto-encoder and LSTM network. IFAC-PapersOnLine 2018, 51, 831–836. [Google Scholar] [CrossRef]
78. Da Silva, Y.F.; Freire, R.C.S.; Neto, J.V.D.F. Conception and design of WSN sensor nodes based on machine learning, embedded systems and IoT approaches for pollutant detection in aquatic environments. IEEE Access 2023, 11, 117040–117052. [Google Scholar] [CrossRef]
79. Liu, S.; Xu, L.; Li, Q.; Zhao, X.; Li, D. Fault diagnosis of water quality monitoring devices based on multiclass support vector machines and rule-based decision trees. IEEE Access 2018, 6, 22184–22195. [Google Scholar] [CrossRef]
80. Park, Y.; Cho, K.H.; Park, J.; Cha, S.M.; Kim, J.H. Development of early-warning protocol for predicting chlorophyll-a concentration using machine learning models in freshwater and estuarine reservoirs, Korea. Sci. Total Environ. 2015, 502, 31–41. [Google Scholar] [CrossRef]
81. Lee, G.; Bae, J.; Lee, S.; Jang, M.; Park, H. Monthly chlorophyll-a prediction using neuro-genetic algorithm for water quality management in Lakes. Desalination Water Treat. 2016, 57, 26783–26791. [Google Scholar] [CrossRef]
82. Gambin, A.F.; Angelats, E.; Gonzalez, J.S.; Miozzo, M.; Dini, P. Sustainable marine ecosystems: Deep learning for water quality assessment and forecasting. IEEE Access 2021, 9, 121344–121365. [Google Scholar] [CrossRef]
83. Cho, H.; Choi, U.J.; Park, H. Deep learning application to time series prediction of daily chlorophyll-a concentration. WIT Trans. Ecol. Environ. 2018, 215, 157–163. [Google Scholar] [CrossRef]
84. Lee, S.; Lee, D. Four major South Korea’s rivers using deep learning models. Int. J. Environ. Res. Public Health 2018, 15, 1322. [Google Scholar] [CrossRef]
85. John, E.M.; Krishnapriya, K.; Sankar, T. Treatment of ammonia and nitrite in aquaculture wastewater by an assembled bacterial consortium. Aquaculture 2020, 526, 735390. [Google Scholar] [CrossRef]
86. Yu, H.; Yang, L.; Li, D.; Chen, Y. A hybrid intelligent soft computing method for ammonia nitrogen prediction in aquaculture. Inf. Process. Agric. 2020, 8, 64–74. [Google Scholar] [CrossRef]
87. Karri, R.R.; Sahu, J.N.; Chimmiri, V. Critical review of abatement of ammonia from wastewater. J. Mol. Liq. 2018, 261, 21–31. [Google Scholar] [CrossRef]
88. Nagaraju, T.V.; Sunil, B.M.; Chaudhary, B.; Prasad, C.D.; Gobinath, R. Prediction of ammonia contaminants in the aquaculture ponds using soft computing coupled with wavelet analysis. Environ. Pollut. 2023, 331, 121924. [Google Scholar] [CrossRef] [PubMed]
89. Ahmed, M.S.; Aurpa, T.T.; Azad, M.A.K. Fish disease detection using image based machine learning technique in aquaculture. J. King Saud Univ. Comput. Inf. Sci. 2022, 34, 5170–5182. [Google Scholar] [CrossRef]
90. Mia, M.J.; Mahmud, R.B.; Sadad, M.S.; Asad, H.A.; Hossain, R. An in-depth automated approach for fish disease recognition. J. King Saud Univ. Comput. Inf. Sci. 2022, 34, 7174–7183. [Google Scholar] [CrossRef]
91. Vaswani, A.; Shazeer, N.; Parmar, N.; Uszkoreit, J.; Jones, L.; Gomez, A.N.; Kaiser, Ł.; Polosukhin, I. Attention is all you need. In Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017), Long Beach, CA, USA, 4–9 December 2017; pp. 6000–6010. [Google Scholar]
92. Khabusi, S.P.; Huang, Y.-P.; Lee, M.-F. Attention-based mechanism for fish disease classification in aquaculture. In Proceedings of the International Conference on System Science and Engineering (ICSSE), Ho Chi Minh, Vietnam, 27 July 2023; pp. 95–100. [Google Scholar]
93. Waleed, A.; Medhat, H.; Esmail, M.; Osama, K.; Samy, R.; Ghanim, T.M. Automatic recognition of fish diseases in fish farms. In Proceedings of the 14th International Conference on Computer Engineering and Systems (ICCES), Cairo, Egypt, 17–18 December 2019; pp. 201–206. [Google Scholar]
94. Sujatha, K.; Mounika, P. Evaluation of ML models for detection and prediction of fish diseases: A case study on epizootic ulcerative syndrome. In Proceedings of the 2nd International Conference on Electrical, Electronics, Information and Communication Technologies (ICEEICT), Trichirappalli, India, 5–7 April 2023; pp. 1–7. [Google Scholar]
95. Malik, S.; Kumar, T.; Sahoo, A.K. Fish disease detection using HOG and FAST feature descriptor. Int. J. Comput. Sci. Inf. Secur. (IJCSIS) 2017, 15, 216–221. [Google Scholar]
96. Nayan, A.-A.; Saha, J.; Mozumder, A.N.; Mahmud, K.R.; Al Azad, A.K.; Kibria, M.G. A machine learning approach for early detection of fish diseases by analyzing water quality. Trends Sci. 2021, 18, 351. [Google Scholar] [CrossRef]
97. Moni, J.; Jacob, P.M.; Sudeesh, S.; Nair, M.J.; George, M.S.; Thomas, M.S. A smart aquaculture monitoring system with automated fish disease identification. In Proceedings of the 1st International Conference on Trends in Engineering Systems and Technologies (ICTEST), Kochi, India, 11–13 April 2024; pp. 1–6. [Google Scholar]
98. Mendieta, M.; Romero, D. A cross-modal transfer approach for histological images: A case study in aquaculture for disease identification using zero-shot learning. In Proceedings of the IEEE Second Ecuador Technical Chapters Meeting (ETCM), Salinas, Ecuador, 16–20 October 2017; pp. 1–6. [Google Scholar]
99. Vijayalakshmi, M.; Sasithradevi, A.; Prakash, P. Transfer learning approach for epizootic ulcerative syndrome and Ichthyophthirius disease classification in fish species. In Proceedings of the International Conference on Bio Signals, Images, and Instrumentation (ICBSII), Chennai, India, 16–17 March 2023; pp. 1–5. [Google Scholar]
100. Al Maruf, A.; Fahim, S.H.; Bashar, R.; Rumy, R.A.; Chowdhury, S.I.; Aung, Z. Classification of freshwater fish diseases in Bangladesh using a novel ensemble deep learning model: Enhancing accuracy and interpretability. IEEE Access 2024, 12, 96411–96435. [Google Scholar] [CrossRef]
101. Vasumathi, A.; Singh, R.P.; Bharathi, E.S.; Vignesh, N.; Harsith, S. Fish disease detection using machine learning. In Proceedings of the International Conference on Science Technology Engineering and Management (ICSTEM), Coimbatore, India, 26–27 April 2024; pp. 1–4. [Google Scholar]
102. Darapaneni, N.; Sreekanth, S.; Paduri, A.R.; Roche, A.S.; Murugappan, V.; Singha, K.K.; Shenwai, A.V. AI based farm fish disease detection system to help micro and small fish farmers. In Proceedings of the Interdisciplinary Research in Technology and Management (IRTM), Kolkata, India, 24–26 February 2022; pp. 1–5. [Google Scholar]
103. Prządka, M.P.; Wojcieszak, D.; Pala, K. Optimization of Au electrode parameters for pathogen detection in aquaculture. IEEE Sens. J. 2024, 24, 5785–5796. [Google Scholar] [CrossRef]
104. Zhang, T.; Yang, Y.; Liu, Y.; Liu, C.; Zhao, R.; Li, D.; Shi, C. Fully automatic system for fish biomass estimation based on deep neural network. Ecol. Inform. 2024, 79, 102399. [Google Scholar] [CrossRef]
105. Gao, Z.; Jiang, W.; Man, X.; Zheng, R.; Ma, X. A method for estimating fish biomass based on underwater binocular vision. In Proceedings of the 2024 36th Chinese Control and Decision Conference (CCDC), Xi’an, China, 25–27 May 2024; pp. 2656–2660. [Google Scholar]
106. Swethaa, S.; Sneha, E.; Nandini, T.S.; Sivasakthi, T. Fish biomass estimation based on object detection using YOLOv7. In Proceedings of the 4th International Conference for Emerging Technology (INCET), Belgaum, India, 26–28 May 2023; pp. 1–6. [Google Scholar]
107. Rossi, L.; Bibbiani, C.; Fronte, B.; Damiano, E.; Di Lieto, A. Application of a smart dynamic scale for measuring live-fish biomass in aquaculture. In Proceedings of the IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor), Trento-Bolzano, Italy, 3–5 November 2021; pp. 248–252. [Google Scholar]
108. Rossi, L.; Bibbiani, C.; Fronte, B.; Damiano, E.; Di Lieto, A. Validation campaign of a smart dynamic scale for measuring live-fish biomass in aquaculture. In Proceedings of the IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor), Perugia, Italy, 3–5 November 2022; pp. 111–115. [Google Scholar]
109. Damiano, E.; Bibbiani, C.; Fronte, B.; Di Lieto, A. Smart and cheap scale for estimating live-fish biomass in offshore aquaculture. In Proceedings of the IEEE International Workshop on Metrology for Agriculture and Forestry (MetroAgriFor), Trento, Italy, 4–6 November 2020; pp. 160–164. [Google Scholar]
110. Pargi, M.K.; Bagheri, E.; Shirota, R.; Huat, K.E.; Shishehchian, F.; Nathalie, N. Improving aquaculture systems using AI: Employing predictive models for biomass estimation on sonar images. In Proceedings of the 21st IEEE International Conference on Machine Learning and Applications (ICMLA), Nassau, Bahamas, 12–14 December 2022; pp. 1629–1636. [Google Scholar]
111. Sthapit, P.; Kim, M.; Kang, D.; Kim, K. Development of scientific fishery biomass estimator: System design and prototyping. Sensors 2020, 20, 6095. [Google Scholar] [CrossRef]
112. Vasile, G.; Petrut, T.; D’Urso, G.; De Oliveira, E. IoT acoustic antenna development for fish biomass long-term monitoring. In Proceedings of the OCEANS 2018 MTS/IEEE Charleston, Charleston, SC, USA, 22–25 October 2018; pp. 1–4. [Google Scholar]
113. Hossain, S.A.; Hossen, M. Biomass estimation of a popular aquarium fish using an acoustic signal processing technique with three acoustic sensors. In Proceedings of the International Conference on Advancement in Electrical and Electronic Engineering (ICAEEE), Gazipur, Bangladesh, 22–24 November 2018; pp. 1–4. [Google Scholar]
114. Hu, W.-C.; Chen, L.-B.; Lin, H.-M. A method for abnormal behavior recognition in aquaculture fields using deep learning. IEEE Can. J. Electr. Comput. Eng. 2024, 47, 118–126. [Google Scholar] [CrossRef]
115. Chen, L.; Yin, X. Recognition method of abnormal behavior of marine fish swarm based on in-depth learning network model. J. Web Eng. 2021, 20, 575–596. [Google Scholar] [CrossRef]
116. Zhao, J.; Bao, W.; Zhang, F.; Zhu, S.; Liu, Y.; Lu, H.; Shen, M.; Ye, Z. Modified motion influence map and recurrent neural network-based monitoring of the local unusual behaviors for fish school in intensive aquaculture. Aquaculture 2018, 493, 165–175. [Google Scholar] [CrossRef]
117. Hassan, W.; Fore, M.; Pedersen, M.O.; Alfredsen, J.A. A new method for measuring free-ranging fish swimming speed in commercial marine farms using Doppler principle. IEEE Sens. J. 2020, 20, 10220–10227. [Google Scholar] [CrossRef]
118. Le Quinio, A.; Martignac, F.; Girard, A.; Guillard, J.; Roussel, J.-M.; de Oliveira, E. Fish as a deformable solid: An innovative method to characterize fish swimming behavior on acoustic videos. IEEE Access 2024, 12, 134486–134497. [Google Scholar] [CrossRef]
119. Osterloff, J.; Nilssen, I.; Jarnegren, J.; Buhl-Mortensen, P.; Nattkemper, T.W. Polyp Activity Estimation and Monitoring for Cold Water Corals with a Deep Learning Approach. In Proceedings of the ICPR 2nd Workshop on Computer Vision for Analysis of Underwater Imagery (CVAUI), Cancun, Mexico, 4 December 2016; pp. 1–6. [Google Scholar]
120. Måløy, H. EchoBERT: A transformer-based approach for behavior detection in echograms. IEEE Access 2020, 8, 218372–218385. [Google Scholar] [CrossRef]
121. Kim, K.; Myung, H. Autoencoder-combined generative adversarial networks for synthetic image data generation and detection of jellyfish swarm. IEEE Access 2018, 6, 54207–54214. [Google Scholar] [CrossRef]
122. Desai, N.P.; Balucha, M.F.; Makrariyab, A.; MusheerAziz, R. Image processing model with deep learning approach for fish species classification. Turk. J. Comput. Math. Educ. 2022, 13, 85–99. [Google Scholar]
123. Zhang, X.; Huang, B.; Chen, G.; Radenkovic, M.; Hou, G. WildFishNet: Open set wild fish recognition deep neural network with fusion activation pattern. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2023, 16, 7303–7314. [Google Scholar] [CrossRef]
124. Chuang, M.-C.; Hwang, J.-N.; Williams, K. A feature learning and object recognition framework for underwater fish images. IEEE Trans. Image Process. 2016, 25, 1862–1872. [Google Scholar] [CrossRef] [PubMed]
125. Slonimer, A.L.; Dosso, S.E.; Albu, A.B.; Cote, M.; Marques, T.P.; Rezvanifar, A.; Ersahin, K.; Mudge, T.; Gauthier, S. Classification of herring, salmon, and bubbles in multifrequency echograms using U-Net neural networks. IEEE J. Ocean. Eng. 2023, 48, 1236–1254. [Google Scholar] [CrossRef]
126. Paraschiv, M.; Padrino, R.; Casari, P.; Bigal, E.; Scheinin, A.; Tchernov, D.; Anta, A.F. Classification of underwater fish images and videos via very small convolutional neural networks. J. Mar. Sci. Eng. 2022, 10, 736. [Google Scholar] [CrossRef]
127. Tejaswini, H.; Pai, M.M.M.; Pai, R.M. Automatic estuarine fish species classification system based on deep learning techniques. IEEE Access 2024, 12, 140412–140438. [Google Scholar] [CrossRef]
128. Liu, Z. Soft-shell shrimp recognition based on an improved AlexNet for quality evaluations. J. Food Eng. 2019, 266, 109698. [Google Scholar] [CrossRef]
129. Yu, X.; Tang, L.; Wu, X.; Lu, H. Nondestructive freshness discriminating of shrimp using visible/near-infrared hyperspectral imaging technique and deep learning algorithm. Food Anal. Methods 2017, 11, 768–780. [Google Scholar] [CrossRef]
130. Xuan, Q.; Fang, B.; Liu, Y.; Wang, J.; Zhang, J.; Zheng, Y.; Bao, G. Automatic pearl classification machine based on a multistream convolutional neural network. IEEE Trans. Ind. Electron. 2018, 65, 6538–6547. [Google Scholar] [CrossRef]
131. Elawady, M.E. Sparse Coral Classification Using Deep Convolutional Neural Network. Master’s Thesis, University of Burgundy, Dijon, France, 2014; pp. 1–51. [Google Scholar]
132. Riabchenko, E.; Meissner, K.; Ahmad, I.; Iosifidis, A.; Tirronen, V.; Gabbouj, M.; Kiranyaz, S. Learned vs. engineered features for fine-grained classification of aquatic macroinvertebrates. In Proceedings of the 23rd International Conference on Pattern Recognition (ICPR), Cancun, Mexico, 4–8 December 2016; pp. 2276–2281. [Google Scholar]
133. Wu, F.; Cai, Z.; Fan, S.; Song, R.; Wang, L.; Cai, W. Fish target detection in underwater blurred scenes based on improved YOLOv5. IEEE Access 2023, 11, 122911–122925. [Google Scholar] [CrossRef]
134. Qin, X.; Yu, C.; Liu, B.; Zhang, Z. YOLO8-FASG: A high-accuracy fish identification method for underwater robotic system. IEEE Access 2024, 12, 73354–73362. [Google Scholar] [CrossRef]
135. Fan, J.; Zhou, J.; Wang, X.; Wang, J. A self-supervised transformer with feature fusion for SAR image semantic segmentation in marine aquaculture monitoring. IEEE Trans. Geosci. Remote Sens. 2023, 61, 1–15. [Google Scholar] [CrossRef]
136. Wang, J.; Fan, J.; Wang, J. MDOAU-Net: A lightweight and robust deep learning model for SAR image segmentation in aquaculture raft monitoring. IEEE Geosci. Remote Sens. Lett. 2022, 19, 1–5. [Google Scholar] [CrossRef]
137. Yu, C.; Liu, Y.; Xia, X.; Lan, D.; Liu, X.; Wu, S. Precise and fast segmentation of offshore farms in high-resolution SAR images based on model fusion and half-precision parallel inference. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 4861–4872. [Google Scholar] [CrossRef]
138. Wang, X.; Zhou, J.; Fan, J. IDUDL: Incremental double unsupervised deep learning model for marine aquaculture SAR images segmentation. IEEE Trans. Geosci. Remote Sens. 2022, 60, 1–12. [Google Scholar] [CrossRef]
139. Sánchez, J.S.; Lisani, J.-L.; Catalán, I.A.; Álvarez-Ellacuría, A. Leveraging bounding box annotations for fish segmentation in underwater images. IEEE Access 2023, 11, 125984–125994. [Google Scholar] [CrossRef]
140. Qin, G.; Wang, S.; Wang, F.; Zhou, Y.; Wang, Z.; Zou, W. U_EFF_NET: High-precision segmentation of offshore farms from high-resolution SAR remote sensing images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2022, 15, 8519–8528. [Google Scholar] [CrossRef]
141. Fan, J.; Zhao, J.; An, W.; Hu, Y. Marine floating raft aquaculture detection of GF-3 PolSAR images based on collective multikernel fuzzy clustering. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2019, 12, 2741–2754. [Google Scholar] [CrossRef]
142. Fan, J.; Deng, Q. RSC-APMN: Random sea condition adaptive perception modulating network for SAR-Derived marine aquaculture segmentation. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 13456–13472. [Google Scholar] [CrossRef]
143. Issac, A.; Dutta, M.K.; Sarkar, B.; Burget, R. An efficient image processing based method for gills segmentation from a digital fish image. In Proceedings of the 3rd International Conference on Signal Processing and Integrated Networks (SPIN), Delhi, India, 11–12 February 2016; pp. 645–649. [Google Scholar]
144. Ulucan, O.; Karakaya, D.; Turkan, M. A large-scale dataset for fish segmentation and classification. In Proceedings of the Innovations in Intelligent Systems and Applications Conference (ASYU), Istanbul, Turkey, 15 October 2020; pp. 1–5. [Google Scholar]
145. Hsieh, Y.-Z.; Meng, Y.-H. A video surveillance system for determining the sexual maturity of cobia. IEEE Trans. Consum. Electron. 2024, 70, 484–495. [Google Scholar] [CrossRef]
146. Ahmed, H.; Ushirobira, R.; Efimov, D.; Tran, D.; Sow, M.; Payton, L.; Massabuau, J.-C. A fault detection method for automatic detection of spawning in oysters. IEEE Trans. Control. Syst. Technol. 2016, 24, 1140–1147. [Google Scholar] [CrossRef]
147. Le, N.-B.; Woo, H.; Lee, D.; Huh, J.-H. AgTech: A Survey on Digital Twins Based Aquaculture Systems. IEEE Access 2024, 12, 125751–125767. [Google Scholar] [CrossRef]
148. Hsieh, Y.-Z.; Lee, P.-Y. Analysis of Oplegnathus Punctatus body parameters using underwater stereo vision. IEEE Trans. Emerg. Top. Comput. Intell. 2024, 8, 879–891. [Google Scholar] [CrossRef]
149. Sun, N.; Li, Z.; Luan, Y.; Du, L. Enhanced YOLO-based multi-task network for accurate fish body length measurement. In Proceedings of the 5th International Conference on Artificial Intelligence and Electromechanical Automation (AIEA), Shenzhen, China, 14–16 June 2024; pp. 334–339. [Google Scholar]
150. Chen, X.; N’Doye, I.; Aljehani, F.; Laleg-Kirati, T.-M. Fish weight prediction using empirical and data-driven models in aquaculture systems. In Proceedings of the IEEE Conference on Control Technology and Applications (CCTA), Newcastle upon Tyne, UK, 21–23 August 2024; pp. 369–374. [Google Scholar]
151. Voskakis, D.; Makris, A.; Papandroulakis, N. Deep learning based fish length estimation. An application for the Mediterranean aquaculture. In Proceedings of the OCEANS 2021: San Diego—Porto, San Diego, CA, USA, 20–23 September 2021; pp. 1–5. [Google Scholar]
152. Pérez, D.; Ferrero, F.J.; Alvarez, I.; Valledor, M.; Campo, J.C. Automatic measurement of fish size using stereo vision. In Proceedings of the IEEE International Instrumentation and Measurement Technology Conference (I2MTC), Houston, TX, USA, 14–17 May 2018; pp. 1–6. [Google Scholar]
153. Gorpincenko, A.; French, G.; Knight, P.; Challiss, M.; Mackiewicz, M. Improving automated sonar video analysis to notify about jellyfish blooms. IEEE Sens. J. 2020, 21, 4981–4988. [Google Scholar] [CrossRef]
154. Schraml, R.; Hofbauer, H.; Jalilian, E.; Bekkozhayeva, D.; Saberioon, M.; Cisar, P.; Uhl, A. Towards fish individuality-based aquaculture. IEEE Trans. Ind. Inform. 2021, 17, 4356–4366. [Google Scholar] [CrossRef]
155. Liu, X.; Yue, Y.; Shi, M.; Qian, Z.-M. 3-D video tracking of multiple fish in a water tank. IEEE Access 2019, 7, 145049–145059. [Google Scholar] [CrossRef]
156. Gupta, S.; Mukherjee, P.; Chaudhury, S.; Lall, B.; Sanisetty, H. DFTNet: Deep fish tracker with attention mechanism in unconstrained marine environments. IEEE Trans. Instrum. Meas. 2021, 70, 1–13. [Google Scholar] [CrossRef]
157. Shreesha, S.; Pai, M.M.M.; Verma, U.; Pai, R.M. Fish tracking and continual behavioral pattern clustering using novel Sillago Sihama Vid (SSVid). IEEE Access 2023, 11, 29400–29416. [Google Scholar] [CrossRef]
158. Winkler, J.; Badri-Hoeher, S.; Barkouch, F. Activity segmentation and fish tracking from sonar videos by combining artifacts filtering and a Kalman approach. IEEE Access 2023, 11, 96522–96529. [Google Scholar] [CrossRef]
159. Marques, T.P.; Cote, M.; Rezvanifar, A.; Slonimer, A.; Albu, A.B.; Ersahin, K.; Gauthier, S. U-MSAA-Net: A multiscale additive attention-based network for pixel-level identification of finfish and krill in echograms. IEEE J. Ocean. Eng. 2023, 48, 853–873. [Google Scholar] [CrossRef]
160. Xu, X.; Hu, J.; Yang, J.; Ran, Y.; Tan, Z. A fish detection and tracking method based on improved inter-frame difference and YOLO-CTS. IEEE Trans. Instrum. Meas. 2024, 73, 1–13. [Google Scholar] [CrossRef]
161. Zhao, Z.; Yang, X.; Liu, J.; Zhou, C.; Zhao, C. GCVC: Graph convolution vector distribution calibration for fish group activity recognition. IEEE Trans. Multimedia 2024, 26, 1776–1789. [Google Scholar] [CrossRef]
162. Zhao, X.; Yan, S.; Gao, Q. An algorithm for tracking multiple fish based on biological water quality monitoring. IEEE Access 2019, 7, 15018–15026. [Google Scholar] [CrossRef]
163. Williamson, B.J.; Fraser, S.; Blondel, P.; Bell, P.S.; Waggitt, J.J.; Scott, B.E. Multisensor acoustic tracking of fish and seabird behavior around tidal turbine structures in Scotland. IEEE J. Ocean. Eng. 2017, 42, 948–965. [Google Scholar] [CrossRef]
164. Chuang, M.-C.; Hwang, J.-N.; Ye, J.-H.; Huang, S.-C.; Williams, K. Underwater fish tracking for moving cameras based on deformable multiple kernels. IEEE Trans. Syst. Man Cybern. Syst. 2017, 47, 1–11. [Google Scholar] [CrossRef]
165. Zhang, Y.; Ning, Y.; Zhang, X.; Glamuzina, B.; Xing, S. Multi-sensors-based physiological stress monitoring and online survival prediction system for live fish waterless transportation. IEEE Access 2020, 8, 40955–40965. [Google Scholar] [CrossRef]
166. Le, N.-B.; Huh, J.-H. AgTech: Building smart aquaculture assistant system integrated IoT and big data analysis. IEEE Trans. AgriFood Electron. 2024, 2, 471–482. [Google Scholar] [CrossRef]
167. Xu, Y.; Lu, L. An attention-fused deep learning model for accurately monitoring cage and raft aquaculture at large-scale using sentinel-2 data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 9099–9109. [Google Scholar] [CrossRef]
168. Liu, J.; Lu, Y.; Guo, X.; Ke, W. A deep learning method for offshore raft aquaculture extraction based on medium-resolution remote sensing images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2023, 16, 6296–6309. [Google Scholar] [CrossRef]
169. Soltanzadeh, R.; Hardy, B.; Mcleod, R.D.; Friesen, M.R. A prototype system for real-time monitoring of arctic char in indoor aquaculture operations: Possibilities & challenges. IEEE Access 2020, 8, 180815–180824. [Google Scholar] [CrossRef]
170. Ai, B.; Xiao, H.; Xu, H.; Yuan, F.; Ling, M. Coastal aquaculture area extraction based on self-attention mechanism and auxiliary loss. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2023, 16, 2250–2261. [Google Scholar] [CrossRef]
171. Kim, T.; Hwang, K.-S.; Oh, M.-H.; Jang, D.-J. Development of an autonomous submersible fish cage system. IEEE J. Ocean. Eng. 2014, 39, 702–712. [Google Scholar] [CrossRef]
172. Abdurohman, M.; Putrada, A.G.; Deris, M.M. A robust internet of things-based aquarium control system using decision tree regression algorithm. IEEE Access 2022, 10, 56937–56951. [Google Scholar] [CrossRef]
173. Xia, J.; Ma, T.; Li, Y.; Xu, S.; Qi, H. A scale-aware monocular odometry for fishnet inspection with both repeated and weak features. IEEE Trans. Instrum. Meas. 2023, 73, 1–11. [Google Scholar] [CrossRef]
174. Nguyen, N.T.; Matsuhashi, R. An optimal design on sustainable energy systems for shrimp farms. IEEE Access 2019, 7, 165543–165558. [Google Scholar] [CrossRef]
175. Luna, F.D.V.B.; Aguilar, E.d.l.R.; Naranjo, J.S.; Jaguey, J.G. Robotic system for automation of water quality monitoring and feeding in aquaculture shadehouse. IEEE Trans. Syst. Man Cybern. Syst. 2017, 47, 1575–1589. [Google Scholar] [CrossRef]
176. Kim, J.; Song, S.; Kim, T.; Song, Y.-W.; Kim, S.-K.; Lee, B.-I.; Ryu, Y.; Yu, S.-C. Collaborative vision-based precision monitoring of tiny eel larvae in a water tank. IEEE Access 2021, 9, 100801–100813. [Google Scholar] [CrossRef]
177. Yang, M.-D.; Huang, K.-S.; Wan, J.; Tsai, H.P.; Lin, L.-M. Timely and quantitative damage assessment of oyster racks using UAV images. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2018, 11, 2862–2868. [Google Scholar] [CrossRef]
178. Gaya, J.O.; Goncalves, L.T.; Duarte, A.C.; Zanchetta, B.; Drews, P.; Botelho, S.S.C. Vision-based obstacle avoidance using deep learning. In Proceedings of the XIII Latin American Robotics Symposium and IV Brazilian Robotics Symposium (LARS/SBR), Recife, Brazil, 8–12 October 2016; pp. 7–12. [Google Scholar]
179. Tun, T.T.; Huang, L.; Preece, M.A. Development and high-fidelity simulation of trajectory tracking control schemes of a UUV for fish net-pen visual inspection in offshore aquaculture. IEEE Access 2023, 11, 135764–135787. [Google Scholar] [CrossRef]
180. Xanthidis, M.; Skaldebø, M.; Haugaløkken, B.; Evjemo, L.; Alexis, K.; Kelasidi, E. ResiVis: A holistic underwater motion planning approach for robust active perception under uncertainties. IEEE Robot. Autom. Lett. 2024, 9, 9391–9398. [Google Scholar] [CrossRef]
181. Ouyang, B.; Wills, P.S.; Tang, Y.; Hallstrom, J.O.; Su, T.-C.; Namuduri, K.; Mukherjee, S.; Rodriguez-Labra, J.I.; Li, Y.; Ouden, C.J.D. Initial development of the hybrid aerial underwater robotic system (HAUCS): Internet of things (IoT) for aquaculture farms. IEEE Internet Things J. 2021, 8, 14013–14027. [Google Scholar] [CrossRef]
182. Lin, F.-S.; Yang, P.-W.; Tai, S.-K.; Wu, C.-H.; Lin, J.-L.; Huang, C.-H. A machine-learning-based ultrasonic system for monitoring white shrimps. IEEE Sens. J. 2023, 23, 23846–23855. [Google Scholar] [CrossRef]
183. Xu, L.; Yu, H.; Qin, H.; Chai, Y.; Yan, N.; Li, D.; Chen, Y. Digital twin for aquaponics factory: Analysis, opportunities, and research challenges. IEEE Trans. Ind. Inform. 2024, 20, 5060–5073. [Google Scholar] [CrossRef]
184. Misimi, E.; Øye, E.R.; Sture, Ø.; Mathiassen, J.R. Robust classification approach for segmentation of blood defects in cod fillets based on deep convolutional neural networks and support vector machines and calculation of gripper vectors for robotic processing. Comput. Electron. Agric. 2017, 139, 138–152. [Google Scholar] [CrossRef]
185. Chen, W.; Li, X. Deep-learning-based marine aquaculture zone extractions from dual-polarimetric SAR imagery. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 8043–8057. [Google Scholar] [CrossRef]
186. Lu, Y.; Zhao, Y.; Yang, M.; Zhao, Y.; Huang, L.; Cui, B. BI²Net: Graph-based boundary–interior interaction network for raft aquaculture area extraction from remote sensing images. IEEE Geosci. Remote Sens. Lett. 2024, 21, 1–5. [Google Scholar] [CrossRef]
187. Zhang, X.; Ma, S.; Su, C.; Shang, Y.; Wang, T.; Yin, J. Coastal oyster aquaculture area extraction and nutrient loading estimation using a GF-2 satellite image. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2020, 13, 4934–4946. [Google Scholar] [CrossRef]
188. Zhang, Y.; Yamamoto, M.; Suzuki, G.; Shioya, H. Collaborative forecasting and analysis of fish catch in Hokkaido from multiple scales by using neural network and arima model. IEEE Access 2022, 10, 7823–7833. [Google Scholar] [CrossRef]
189. Kristmundsson, J.; Patursson, Ø.; Potter, J.; Xin, Q. Fish monitoring in aquaculture using multibeam echosounders and machine learning. IEEE Access 2023, 11, 108306–108316. [Google Scholar] [CrossRef]
190. Cheng, W.K.; Khor, J.C.; Liew, W.Z.; Bea, K.T.; Chen, Y.L. Integration of federated learning and edge-cloud platform for precision aquaculture. IEEE Access 2024, 12, 124974–124989. [Google Scholar] [CrossRef]
191. Abid, M.A.; Amjad, M.; Munir, K.; Siddique, H.U.R.; Jurcut, A.D. IoT-based smart Biofloc monitoring system for fish farming using machine learning. IEEE Access 2024, 12, 86333–86345. [Google Scholar] [CrossRef]
192. Han, Y.; Huang, J.; Ling, F.; Qiu, J.; Liu, Z.; Li, X.; Chang, C.; Chi, H. Dynamic mapping of inland freshwater aquaculture areas in Jianghan plain, China. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2023, 16, 4349–4361. [Google Scholar] [CrossRef]
193. Singh, S.; Ahmad, S.; Amrr, S.M.; Khan, S.A.; Islam, N.; Gari, A.A.; Algethami, A.A. Modeling and control design for an autonomous underwater vehicle based on Atlantic salmon fish. IEEE Access 2022, 10, 97586–97599. [Google Scholar] [CrossRef]
194. Dyrstad, J.S.; Mathiassen, J.R. Grasping virtual fish: A step towards robotic deep learning from demonstration in virtual reality. In Proceedings of the IEEE International Conference on Robotics and Biomimetics (ROBIO), Macau, Macao, 5–8 December 2017; pp. 1181–1187. [Google Scholar]
195. Zhong, Y.; Chen, Y.; Wang, C.; Wang, Q.; Yang, J. Research on target tracking for robotic fish based on low-cost scarce sensing information fusion. IEEE Robot. Autom. Lett. 2022, 7, 6044–6051. [Google Scholar] [CrossRef]
196. Milich, M.; Drimer, N. Design and analysis of an innovative concept for submerging open-sea aquaculture system. IEEE J. Ocean. Eng. 2019, 44, 707–718. [Google Scholar] [CrossRef]
197. Yang, R.-Y.; Tang, H.-J.; Huang, C.-C. Numerical modeling of the mooring system failure of an aquaculture net cage system under waves and currents. IEEE J. Ocean. Eng. 2020, 45, 1396–1410. [Google Scholar] [CrossRef]
198. Liu, X.; Zhu, H.; Song, W.; Wang, J.; Yan, L.; Wang, K. Research on improved VGG-16 model based on transfer learning for acoustic image recognition of underwater search and rescue targets. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2024, 17, 18112–18128. [Google Scholar] [CrossRef]
199. Catarino, M.M.R.S.; Gomes, M.R.S.; Ferreira, S.M.F.; Gonçalves, S.C. Optimization of feeding quantity and frequency to rear the cyprinid fish Garra rufa (Heckel, 1843). Aquac. Res. 2019, 50, 876–881. [Google Scholar] [CrossRef]
200. Noda, T.; Kawabata, Y.; Arai, N.; Mitamura, H.; Watanabe, S. Monitoring escape and feeding behaviors of cruiser fish by inertial and magnetic sensors. PLoS ONE 2013, 8, e79392. [Google Scholar] [CrossRef]
201. Adegboye, M.A.; Aibinu, A.M.; Kolo, J.G.; Folorunso, T.A.; Aliyu, I.; Ho, L.S. Intelligent Fish feeding regime system using vibration analysis. World J. Wirel. Devices Eng. 2019, 3, 1–8. [Google Scholar] [CrossRef]
202. Kuang, L.; Shi, P.; Hua, C.; Chen, B.; Zhu, H. An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks. IEEE Access 2020, 8, 198730–198739. [Google Scholar] [CrossRef]
203. Singh, M.; Sahoo, K.S.; Gandomi, A.H. An intelligent-IoT-based data analytics for freshwater recirculating aquaculture system. IEEE Internet Things J. 2024, 11, 4206–4217. [Google Scholar] [CrossRef]
204. Cao, S.; Zhou, L.; Zhang, Z. Corrections to “Prediction of dissolved oxygen content in aquaculture based on clustering and improved ELM”. IEEE Access 2021, 9, 135508–135512. [Google Scholar] [CrossRef]
205. Wambura, S.; Li, H. Deep and Confident Image Analysis for Disease Detection. In Proceedings of the 2nd International Conference on Video, Signal and Image Processing, Jakarta, Indonesia, 4–6 December 2020; pp. 91–99. [Google Scholar]
206. Shephard, S.; Reid, D.G.; Gerritsen, H.D.; Farnsworth, K.D. Estimating biomass, fishing mortality, and “total allowable discards” for surveyed non-target fish. ICES J. Mar. Sci. 2014, 72, 458–466. [Google Scholar] [CrossRef][Green Version]
207. Han, F.; Zhu, J.; Liu, B.; Zhang, B.; Xie, F. Fish Shoals behavior detection based on convolutional neural network and spatiotemporal information. IEEE Access 2020, 8, 126907–126926. [Google Scholar] [CrossRef]
208. Chicchon, M.; Bedon, H.; Del-Blanco, C.R.; Sipiran, I. Semantic segmentation of fish and underwater environments using deep convolutional neural networks and learned active contours. IEEE Access 2023, 11, 33652–33665. [Google Scholar] [CrossRef]
209. Pravin, S.C.; Rohith, G.; Kiruthika, V.; Manikandan, E.; Methelesh, S.; Manoj, A. Underwater animal identification and classification using a hybrid classical-quantum algorithm. IEEE Access 2023, 11, 141902–141914. [Google Scholar] [CrossRef]
210. Huang, T.-W.; Hwang, J.-N.; Romain, S.; Wallace, F. Fish tracking and segmentation from stereo videos on the wild sea surface for electronic monitoring of rail fishing. IEEE Trans. Circuits Syst. Video Technol. 2019, 29, 3146–3158. [Google Scholar] [CrossRef]
211. Ren, W.; Wang, X.; Tian, J.; Tang, Y.; Chan, A.B. Tracking-by-counting: Using network flows on crowd density maps for tracking multiple targets. IEEE Trans. Image Process. 2020, 30, 1439–1452. [Google Scholar] [CrossRef] [PubMed]