Умная аквакультура в настоящее время является одним из направлений устойчивого развития аквакультуры в области интеллектуализации и автоматизации. Современные интеллектуальные технологии принесли огромную пользу многим областям, включая аквакультуру, позволяя снизить трудозатраты, повысить производительность и снизить воздействие на окружающую среду. Машинное обучение является подразделом искусственного интеллекта (AI), использующим обученные алгоритмические модели для распознавания и изучения признаков из наблюдаемых данных. На сегодняшний день существует несколько исследований по применению машинного обучения в умной аквакультуре, включая измерение размера, веса, сортировку, обнаружение болезней и классификацию видов. Этот обзор предоставляет обзор развития умной аквакультуры и интеллектуальных технологий. Мы обобщили и собрали 100 статей о машинном обучении в умной аквакультуре за последние почти 10 лет, описывая методологию, результаты, а также современные технологии, которые следует применять для развития умной аквакультуры. Мы надеемся, что этот обзор даст заинтересованным читателям полезную информацию.

1. Введение

Мировое производство аквакультуры постоянно растёт, достигнув более чем трёхкратного увеличения общего живого веса, при этом основные группы видов включают сома, морские водоросли, карпов, двустворчатых моллюсков и тилапию, составляя 75% производства аквакультуры. Кроме того, морские виды, такие как рыбы и ракообразные, также быстро росли за этот период. Разнообразие видов в аквакультуре увеличивается, и оценивается, что около 40% различных видов относятся к рыбам, моллюскам, водорослям, которые выращиваются в различных водных средах, таких как морская, солоноватая и пресная вода по всему миру. Традиционная аквакультура несёт множество экологических проблем, а также ограниченную производительность и высокие трудозатраты. Поэтому умная аквакультура — это концепция, направленная на развитие отрасли устойчивым образом, повышение производительности и экологичность.

В традиционной аквакультуре технические этапы — от подготовки воды, отбора посадочного материала, кормления и ухода в процессе выращивания — выполняются вручную. В ходе аквакультурной деятельности возникают многочисленные трудности, например, процесс управления качеством воды в системе аквакультуры: обычно воду отбирают два раза в день — утром и днём. Этот процесс занимает много времени, и в некоторых случаях невозможно своевременно обработать воду при внезапных изменениях её качества в прудах или резервуарах. В другом примере — при выращивании рыбы в прудах — люди не могут обнаружить заболевшую рыбу на ранней стадии, замечая её лишь тогда, когда она погибает или всплывает на поверхность, и только после этого проводится лечение. Другой пример связан с объёмом остатков корма: люди не могут точно оценить количество оставшегося корма в пруду, а остатки негативно влияют на качество воды. Перед продажей, например при подсчёте малька, людям приходится учитывать каждую рыбу вручную, что требует времени и усилий и т. д. Все перечисленные трудности влияют на прибыль в аквакультуре. Поэтому умная аквакультура направлена на применение интеллектуальных производственных методов, которые решают проблемы традиционной аквакультуры.

Для подхода умной аквакультуры несколько интеллектуальных устройств интегрируются в специально структурированную среду для мониторинга параметров среды выращивания в реальном времени и затем принятия решений на основе автоматически собираемых данных.

Умная аквакультура — это интеллектуальный режим производства. Она может управляться дистанционно и автоматически за счёт применения IoT, больших данных, искусственного интеллекта, 5G, облачных вычислений и робототехники. С другой стороны, умной аквакультурой может управлять робот, который способен контролировать оборудование, устройства и механизмы, обеспечивая работу всей системы для достижения успешного производства.

Существует несколько аспектов, связанных с умной аквакультурой, включая сбор информации с различных датчиков температуры, растворённого кислорода, влажности, света, pH для управления параметрами качества воды в системе аквакультуры; передачу собранных данных через коммуникационные узлы в центр управления; анализ данных и принятие решений, выполненное на облачных платформах; обратную связь с каждым исполнительным устройством и интеллектуальное управление системой автоматически для развития аквакультуры устойчивым, эффективным и экологичным способом.

Например, внедрение AI (искусственного интеллекта) и IoT (Интернета вещей) в аквакультуре увеличивается для решения проблем традиционной аквакультуры. Эти технологии применяются в различных системах выращивания, таких как садки, пруды, инкубатории и племенные хозяйства, с несколькими целями, включая мониторинг качества воды; наблюдение условий внутри садков, прудов и инкубаторов; оптимизацию количества корма, подаваемого культивируемым видам, и определение подходящего времени кормления; снижение частоты подачи корма; сокращение трудозатрат благодаря автоматизации систем выращивания.

Криспин и соавт. кратко описали применение AI в аквакультуре, включая устройства для кормления на основе AI, AI-дроны в аквакультуре, предотвращение заболеваний, сортировку рыбопосадочного материала, регулярную проверку состояния стада; применение AI в креветочном хозяйстве; приложения AI для смартфонов; использование AI в рыбопереработке; AI в промысле в открытом море; технологию блокчейн в цепочке поставок креветок; а также AI в сохранении исчезающих видов рыб. Общая концепция умной аквакультуры представлена на Рисунке 1. На рисунке показано применение интеллектуальных устройств в аквакультуре, а также передача всех данных и управление всем процессом выращивания через смартфоны.

Машинное обучение выполняет основную функцию решения существующих задач на основе алгоритмов и обучающих данных для создания математических моделей, улучшающих работу системы в компьютере. В последние годы в аквакультуре были внедрены несколько моделей, включая дерево решений (DT), наивный Байес (NB), метод опорных векторов (SVM), искусственные нейронные сети (ANN), метод K-ближайших соседей (KNN), глубокое обучение (DL) и ансамблевое обучение (EL).

Контролируемое обучение, неконтролируемое обучение, частично контролируемое обучение и обучение с подкреплением — это четыре типа структуры машинного обучения, среди которых контролируемое обучение является одним из самых распространённых. Контролируемое обучение обычно используется для классификации и регрессии, где данные используются как образцы после обучения моделью машинного обучения с одинаковыми целевыми значениями. Согласно теории машинного обучения и его преимуществам, в последние годы в аквакультуре используются такие применения, как обнаружение биомассы рыбы, оценка размера, оценка массы, подсчёт, распознавание рыбы, определение возраста, определение пола, классификация видов рыб, поведение при кормлении, групповое поведение, аномальное поведение, одновариантное прогнозирование, многовариантное прогнозирование — все с высокой точностью.

Цель данного обзора — изучить состояние применения машинного обучения в умной аквакультуре. Стратегия настоящего обзора следующая: (1) обзор умной аквакультуры; (2) машинное обучение; и (3) приложения машинного обучения в умной аквакультуре. На рисунке 2 представлено общее представление датчиков и систем мониторинга умной аквакультуры.

2. Обзоры литературы

2.1. Умная аквакультура

Основываясь на достижениях искусственного интеллекта, умная аквакультура способна совершенствовать все этапы — от разведения и выращивания до стадий откорма культивируемых видов, а также другие процессы, такие как подготовка водного ресурса для выращивания, управление качеством воды, подготовка корма, кормление, классификация, сортировка, подсчёт и промывка систем выращивания. Конечная цель развития умной аквакультуры — получение высокой продукции аквакультуры, соответствующей мировому спросу, а также охрана окружающей среды.

2.1.1. Мониторинг качества воды в умной аквакультуре

Качество воды — основной фактор, который определяет успех и эффективность управления в аквакультуре. Существует несколько параметров качества воды, играющих жизненно важную роль — прямо или косвенно — в выживаемости и росте культивируемых видов, таких как температура, мутность, углекислый газ, pH, щёлочность, аммиак, нитрит и нитрат и др. Среди них наиболее значимыми являются температура, растворённый кислород и pH. В последние несколько лет IoT получила широкое применение в различных областях, включая аквакультуру. Использование IoT в аквакультуре открыло новый тренд для устойчивого развития этой отрасли благодаря интеллектуальным устройствам в реальном времени и возможностям сетевого мониторинга воды, которые помогают улучшить условия труда фермеров.

В системе аквакультуры на основе IoT выделяют 4 основных уровня: физический уровень, уровень мониторинга, виртуальный уровень и протокол соединения, представленные на рисунке 2. Индустрия «умных» ферм / интеллектуальной аквакультуры стала неизбежным трендом, направленным на снижение затрат на рабочую силу, повышение эффективности работы и увеличение продуктивности. В будущем системы на основе IoT также смогут выявлять болезни рыб и предотвращать потери производства. Стоит отметить, что хотя достигнуты значительные успехи в применении интеллектуальных устройств в аквакультуре для формирования высокоточной системы рыбоводства, до полностью автоматизированных систем ещё остаётся много нерешённых задач.

Поскольку деятельность в аквакультуре и её продукция отличаются от других отраслей, управление трудовыми ресурсами связано с высоким риском, так как в процессе выращивания рыбы всё ещё необходимы наблюдение, анализ информации и принятие решений. Однако множество интеллектуальных устройств, включая описанные выше технологии, выполняют функции мониторинга условий рыбоводства: роботизированные устройства для производства; сортировка данных и информации; энергосберегающее оборудование для обработки — всё это продолжит значительно автоматизировать различные этапы рыбоводных операций. Эти технологии могут использоваться в аквакультуре для идентификации рыбы, оценки массы и управления поведением. Кроме того, необходимо создавать новые датчики, которые объединяют несколько функций в одном устройстве/многофункциональном датчике, обладают высокой надёжностью, широким диапазоном применения и долгим сроком службы. На рисунке 3 показана система аквакультуры на основе IoT.

На сегодняшний день проведено несколько исследований по интеллектуальной информации, такой как ИИ и IoT, применяемой в аквакультуре в различных областях, таких как пруды, инкубаторы, клетки. Чаван использовал Raspberry Pi, который применялся для проверки систем мониторинга в реальном времени в аквакультуре с датчиком температуры, датчиком растворённого кислорода, датчиком pH, датчиком аммиака. Собранные данные хранятся в облачной системе и затем передаются на мобильное устройство фермера. В умной рыбной ферме Ким настроил рециркуляционную аквакультурную систему (RAS) с датчиками контроля качества воды, протоколом MQTT и контроллером MICOM. Аль-Хуссайни также сосредоточился на автоматическом сборе данных и системах мониторинга для RAS с использованием технологии fog computing и недорогих систем с Raspberry Pi, чтобы преодолеть существующие проблемы.

Система сбора данных для RAS (RaspDAQ) разработана путём подключения Raspberry Pi 3 к датчику температуры (LM35DT), с использованием ADC MCP3002, датчика уровня воды (HC-SR04) и модуля камеры Rpi. Шин предложил умную рыбную ферму, состоящую из двух резервуаров: балансировочного бака и рециркуляционной аквакультурной системы (RAS). Эксперименты проводились в лаборатории Исследовательского института технологий будущего на Университете иностранных языков Пусана и на ферме по разведению угрей компании Jangsucheon Ltd., расположенной на острове Гангвхадо.

В этой системе отток воды контролируется контроллером — пропорционально-интегрально-дифференциальным (PID) контроллером, который подключён к датчику с функцией контроля уровня воды, датчикам температуры воды, датчикам растворённого кислорода (DO) и датчикам pH. Дистанционное управление и мониторинг в реальном времени выполняются с использованием протокола Message Queue Telh3etry Transport (MQTT), при этом измеренные большие данные хранятся на лабораторных серверах. Монірул предложил систему мониторинга воды в реальном времени на основе умных технологий с использованием IoT-устройств. Система была построена с использованием нескольких устройств, таких как датчики (температура, растворённый кислород, мутность, pH, уровень воды и газ CO3), Arduino и IoT-платформа.

Для развертывания системы IoT в прудах Ночески представил обновление функциональной системы Интернета вещей (IoT) для автоматического мониторинга качества воды в системах выращивания. Система IoT включает несколько датчиков, которые могут измерять важные показатели качества воды в системах выращивания (резервуар, пруд, клетка и др.), такие как температура, интенсивность света и уровень воды. Она также состоит из небольшой компьютерной платы, благодаря которой собранные данные с этих датчиков и проанализированные данные в виде конечного результата могут быть отправлены пользователю в виде звукового сигнала или уведомления. Кришна также настроил систему IoT в рыбном пруду для управления здоровьем рыбы, а также для мониторинга качества воды с использованием платы Arduino Uno, микроконтроллера Atmega328, Wi-Fi модуля, зуммера, ЖК-дисплея и приложения MIT, предоставляющего данные, получаемые фермером из облака, вместе с параметрами окружающей среды.

Прабху предложил систему IoT с основной целью управления параметрами качества воды в системе выращивания (озеро или пруд) с использованием датчиков, таких как датчик температуры, датчик pH и датчик мутности. Пользователи могут получать и анализировать данные в виде сообщения (SMS) через свой мобильный телефон на своем языке и выполнять различные действия по управлению условиями окружающей среды с помощью платы Arduino Nano и Wi-Fi модуля ESP8266. Нгуен внедрил систему мониторинга качества воды с использованием IoT, особенно для рыбных прудов и других систем аквакультуры, в частности для создания модели прогнозирования показателей качества.

В этой системе автор установил несколько датчиков для управления параметрами качества воды, такими как температура, соленость, pH, DO и показатели COD в рыбном пруду. Программное обеспечение представляет собой облачную базу данных, которая доступна на мобильных устройствах или на ПК/ноутбуке. Техники прогнозирования используют среднее значение, стохастическую модель и модель градиентного спуска. Результаты на двух наборах данных показывают, что это успешная система, которую можно применять на практике. Хсу собрал данные параметров качества воды с помощью датчиков, таких как потенциал окислительно-восстановительной реакции (ORP), pH и температура. Они также использовали карту мониторинга данных в реальном времени для определения состояния пруда. Система на базе IoT включает Raspberry Pi, Arduino UNO, Bluetooth-модуль, два или более модулей датчиков (ORP, термометр, pH-метр), GCM (Google Cloud Messaging), REGID мобильного приложения, анализ прогнозирования и режим управления веб-страницей (HTML в сочетании с PHP).

Дармалим предложил систему IoT для автоматического мониторинга этих параметров окружающей среды. Параметры качества воды собираются в реальном времени из системы выращивания, и собранные данные напрямую обновляются на веб-сайте, а пользователь может получать информацию с устройства IoT. Система разработана с использованием фреймворка Python. Для получения данных, отображающих состояние окружающей среды, пользователи могут, получив доступ к веб-приложению, напрямую узнать, что происходит в пруду, и своевременно принять правильные меры. Электрические компоненты включают Nodh3cu ESP8266, ADC Ads1115, логический конвертер, датчики растворённого кислорода и температуры, датчик pH, датчик мутности, датчик TDS, DC-DC преобразователь и источник питания, а веб-приложение построено на Python фреймворке и подключено к базе данных MySQL. Дарус предложил мониторинг качества воды в пруду с сомом, который анализировался с использованием простой техники кластеризации методом максимизации ожидания (h3).

Параметры, такие как общие растворённые вещества (TDS), уровень воды, мутность, pH и температура, собираются с помощью датчиков, подключенных к Raspberry Pi 3 Model B. Эксперимент состоит из следующих действий: установка WEKA API на Raspberry Pi 3 Model B (Stretch), установка датчиков общих растворённых веществ, уровня воды, мутности, pH и температуры на Raspberry Pi 3 Model B, а также использование простой техники кластеризации методом максимизации ожидания, как показано в уравнении. Рисунок 4 показывает блок-схему системы мониторинга качества воды на базе IoT.

2.1.2. Контроль кормления

Одной из ключевых задач в аквакультуре является процесс кормления. Традиционно фермеры разбрасывают корм вручную — либо по всей площади пруда, либо в определённых точках, в зависимости от поведения выращиваемых видов. Такой подход не всегда эффективен: трудно контролировать объём подаваемого корма, появляются излишки, что приводит к загрязнению воды и увеличению затрат. Поэтому всё больше внимания уделяется использованию IoT-технологий в системах кормления, которые позволяют автоматизировать подачу корма, экономить трудовые ресурсы, снижать количество отходов и поддерживать более стабильные условия в водоёмах.

Проведён ряд исследований в этой области. Например, Малахи предложил полуавтоматическую систему, которая улучшает рост гидробионтов. Она не только управляет кормлением, но и контролирует качество воды с помощью датчиков pH и температуры. При выходе параметров за допустимые пределы GSM-модуль отправляет фермеру уведомление. Подача корма осуществляется автоматически и регулируется в соответствии с потребностями рыб. Основой системы являются Arduino Uno, температурный датчик DS18B20, pH-датчик и GSM-модуль SIM900A.

В другом исследовании Дауд разработал IoT-систему контроля качества воды в «умном» аквариуме. Цель проекта — поддерживать пресную воду в оптимальном состоянии как для рыбы, так и для режима кормления. Система основана на контроллерах MEGA и NodeMCU, которые позволяют управлять аквариумом со смартфона. Arduino выполняет основную логику управления, а Wi-Fi, встроенный в NodeMCU, обеспечивает связь между контроллером и мобильным устройством. Все данные о состоянии воды отображаются на LCD-экране. Блок-схема системы представлена на рисунке 5.

В целом использование IoT позволяет автоматически управлять кормлением, получать данные в реальном времени и повышать эффективность аквакультурных хозяйств.

2.2. Машинное обучение

Говорят, что «Машинное обучение — это подразделение ИИ». Вместо выполнения задач явно экспертом по программированию, алгоритмические модели обучаются выполнять определенные функции, распознавая и изучая образцы данных автоматически, с высокой точностью и скоростью. Как было сказано выше, этот процесс можно классифицировать как обучение с учителем, полуобучение/обучение без учителя и обучение с подкреплением, при этом самым популярным методом является обучение с учителем (Рисунок 6).

Обучение с учителем требует использования алгоритмической системы для получения опыта через обучение с размеченным набором данных. На основе этого опыта мы можем распознавать и отличать новые данные, которые не похожи на обученные. После завершения этапов обучения эти алгоритмы выполняют свои функции, проверяя новые источники данных/изображения, чтобы классифицировать их как целевые или нет. Обучение без учителя работает с исходными данными без обучающего набора. Оно очень похоже на обучение с учителем. Цель этого типа обучения — классифицировать входные ресурсы на разные типы.

Однако данные без меток являются входными данными при обучении без учителя, поэтому целью этой модели является классификация входных данных на основе их собственных характеристик. Это ключевое отличие обучения с учителем от обучения без учителя. Гибридный метод машинного обучения, который объединяет два подхода, такие как обучение с учителем и обучение без учителя, известен как полуобучение. В этом случае для уменьшения размеченных входных данных используется метод, при котором большое количество немаркированных входов объединяется с небольшим количеством размеченных входов.

Основные задачи машинного обучения включают классификацию, регрессию, кластеризацию и уменьшение размерности (DR). Из них модели обучения с учителем применяются для классификации и регрессии. Кластеризация относится к обучению без учителя, а уменьшение размерности может применяться как в обучении с учителем, так и без учителя.

Существует множество моделей машинного обучения, включая дерево решений (DT), метод опорных векторов (SVM), наивный Байес (NB), искусственные нейронные сети (ANN), глубокое обучение (DL), ансамблевое обучение (EL) и метод ближайших соседей (KNN). Каждая модель имеет свои преимущества и недостатки. DT и SVM считаются хорошими моделями, однако они чувствительны к отсутствующим данным. NB, ANN и KNN более эффективны, менее чувствительны к пропускам и обладают высокой точностью.

2.3. Применение машинного обучения и компьютерного зрения в аквакультуре

В общем, машинное зрение/компьютерное зрение является основным инструментом для измерения размера рыбы. Изображения снимаются камерой, установленной в системе измерения рыбы, затем все собранные изображения передаются в программное обеспечение, анализируются и результаты компилируются.

2.3.1. Измерение размера рыбы

Измерение размера рыбы и градация является необходимым этапом при выращивании рыбы, учитывая характеристики рыбы и потребность в получении рыбы рыночного размера. Наиболее частая градация проводится на стадии выращивания. Автоматизация процессов выращивания водных видов с помощью машинного обучения снижает затраты на управление и повышает прибыль и качество продукции. Измерение рыбы для рынка также важно, так как процесс занимает много времени и требует удаления аномальных особей.

Например, предложена система с использованием алгоритмов обработки изображений для определения и идентификации размера разных видов рыбы. Изображения собирались с нескольких видов: Hippoglossoides platessoides, Solea vulgaris, Microstomus kitt, Pleuronectes platessa, Sebastes marinus, Sebastes mentella и Platichthys flesus.

Omron PLC, связанный с основным компьютером и программным обеспечением через Ethernet, управляет механической системой. Собранные изображения передаются на компьютер и анализируются программой.

Авторы разработали аппаратно-программный комплекс для сортировки рыбы, который способен в реальном времени измерять её длину и определять вид. Это и было основной целью исследования. Полученные результаты демонстрируют, что алгоритмы обработки изображений хорошо работают как с плоской, так и с круглой рыбой. Длина определяется с точностью 100% при стандартном отклонении всего 1,2 мм, а точность классификации видов достигает 99,8%. По оценкам, один конвейер может обработать до 30 000 рыб в час.

В рамках этого подхода был проведён эксперимент, направленный на разработку методов для прямого онлайн-измерения размеров морского окуня, определения пола и выявления аномалий прямо на аквакультурной ферме. Были исследованы 259 рыб из пяти диких европейских популяций. Каждую рыбу фотографировали и взвешивали, минимальный вес составлял 0,1 г. Для анализа формы использовался эллиптический анализ Фурье, применённый к координатам контура. Исходные изображения преобразовывались по двум каналам — G (серый) и V (яркость) в цветовой модели HSV.

Для отделения рыбы от фона вычислялось евклидово расстояние каждого пикселя, после чего изображение бинаризировалось с помощью оператора Matlab (см. рисунок 11). Результаты показали, что предложенный метод хорошо подходит для онлайн-сортировки рыбы и может быть широко внедрён на аквакультурных фермах.

Рисунок 11. Блок-схема сортировки рыбы в среде MATLAB.Другое исследование предлагало измерять длину рыбы автоматически с помощью обработки изображений (FLUDI), вместо дорогих измерительных инструментов. Для эксперимента использовались виды Rastrelliger kanagurta и Selar crumenophthalmus. На рисунке показан финальный интерфейс программного обеспечения FLUDI для измерения фактической длины рыбы с цифрового изображения. Использовались две камеры: Pentax (8 Мп) и Sony (5 Мп).

Камеры Pentax и Sony показали ошибки 0,74% и 0,19% соответственно. Результаты показали, что ПО FLUDI имеет высокий потенциал для измерения реальной длины рыбы с цифрового изображения и может применяться к другим объектам без эталонного объекта. Фактическая длина рыбы проверялась путем сравнения с длиной, измеренной традиционной измерительной доской (Рисунок 12). Разница составила 0,74–2,19%.

Джонг и коллеги разработали автоматизированную систему измерения рыбы с визуальным контролем (VAMS), которая позволяет бесконтактно определять основные морфометрические показатели плоской рыбы: полную длину (TL), ширину тела (BW), высоту (H) и вес (W). Для измерения высоты использовался лазерный датчик смещения, а вес определялся с помощью тензодатчика. Параметры TL и BW рассчитывались с применением специального алгоритма морфологической обработки изображений.

На рисунке 13 приведён пример того, как работает бесконтактная система VAMS, а также показана концептуальная схема базы данных ресурсов рыболовства, основанная на морфометрических характеристиках плоской рыбы. Измеренные данные могут поступать из различных источников — исследовательских центров, рыбных рынков, лабораторий по изучению водных ресурсов. После сбора информация передаётся на центральный сервер для дальнейшего анализа и хранения.

Предложенная VAMS включает систему визуального контроля (PV-500, Panasonic, Кадома, Япония), лазерный датчик смещения (Omron, ZX-LT030, Киото, Япония), камеру с зарядовой связью (CCD) (объектив: фокусное расстояние 25 мм, CCD: размер 2/3 дюйма), белую светодиодную подсветку 30 Вт, конвейерную ленту и тензодатчик (Рисунок 11). Результаты показывают, что система VAMS может измерять плоскую рыбу с средней TL 266,844 мм и измерять 900 отдельных рыб в час при работе одного конвейера. Более того, система способна измерять рыбу с TL до 500 мм.

Кроме того, Герами и соавт. оценивали вес лососевых с помощью машинного зрения. Образцы рыбы собраны на рыбной ферме в Иране. Всего 75 живых экземпляров радужной форели (Oncorhynchus mykiss). Для фотографирования с левой стороны образцов использовалась цифровая камера Canon IXUS 960IS (12 Мп; 3000 × 4000) в каналах красного, зеленого и синего цвета. Камера была расположена над образцом на высоте 45 см. Все сделанные фотографии рыб передавались на компьютер и анализировались в MATLAB (Matrix laboratory) версии R2009x (Рисунок 14).

Исследования показывают, что при использовании машинного зрения можно получать чёткие изображения и достаточно точно оценивать вес рыбы. Это подтверждает, что технологии компьютерного зрения хорошо подходят как для измерения массы, так и для анализа внешних характеристик рыбы. Предполагается, что такие методы в будущем смогут активно применяться и в рыболовных процессах.

Санчес-Торрес и коллеги проанализировали большое количество работ по машинному зрению и на основе собранных данных предложили новую концепцию измерения рыбы. Они описали систему, в которой используется одна камера, работающая в контролируемых условиях. Такой подход упрощает процесс съёмки, улучшает качество изображений и позволяет лучше управлять размером выборки. Для повышения чёткости и информативности снимков применяются несколько методов обработки: гомоморфная фильтрация, адаптивное ограниченное выравнивание гистограммы (CLAHE) и направленная фильтрация. Полная схема процесса измерения представлена на рисунке 15.

Результаты показывают, что это простой и эффективный метод измерения длины и веса рыбы, например, полиномиальная регрессия 3-го и 4-го порядка. Основываясь на результате, этот метод также применяется для расчета количества корма, подаваемого рыбе, исходя из длины и веса рыбы.

Сун и соавт. провели исследование с целью автоматической сортировки плоской рыбы по размеру для эффективного и стабильного роста с использованием машинного зрения. Разработанный сортировщик включает три компонента: конвейерную ленту, систему машинного зрения и сортировщик (Рисунок 16).

Рыба перемещается на конвейерную ленту для измерения и сортировки. Поскольку рыба и ее длина определяются с помощью обработки изображений, положение сортировщика управляется классификацией по длине (Рисунок 17).

Система машинного зрения включает недорогую камеру, светодиодное освещение и затемнённый корпус, в котором проводится съемка. На рисунке показано, как работает сортировочная установка с открытым контуром управления. Рыба поступает из бункера на конвейерную ленту, проходит через измерительный модуль, после чего в зависимости от результатов классификации сортировщик перенаправляет её в нужный лоток. Когда измерение завершено, конвейер снова запускается. В итоге рыба автоматически распределяется по группам. Испытания показали, что такая система обеспечивает высокую точность сортировки при низкой стоимости и хорошей эффективности.

В целом машинное зрение стало ключевым инструментом для оценки размера рыбы. Камера, установленная в измерительном модуле, фиксирует изображения, которые затем обрабатываются специализированным программным обеспечением. После анализа формируется итоговый отчёт.

2.3.2. Управление заболеваниями и здоровьем рыбы

Заболевания — одна из самых серьёзных проблем в аквакультуре, поскольку они напрямую влияют на качество продукции и объёмы выращивания. Болезни могут возникать из-за нарушений в системе «хозяин — патоген — окружающая среда». Их условно делят на две большие группы:

• инфекционные — паразитарные, грибковые, бактериальные, вирусные;
• неинфекционные — вызванные факторами среды, ошибками в кормлении или генетическими дефектами.

Фермерам сложно оперативно распознавать внезапные вспышки заболеваний, поэтому своевременно реагировать часто не удаётся. Это приводит к быстрому распространению инфекции и массовой гибели рыбы, что приносит значительные убытки. Машинное обучение позволяет автоматически выявлять ранние признаки болезни и предупреждать фермеров о возможной угрозе.

Одним из распространённых и опасных заболеваний является эпизоотический язвенный синдром (EUS), от которого страдают хозяйства Австралии, Индии, Великобритании, Японии, Таиланда и Пакистана. Его вызывает гриб Aphanomyces invadans. Малик и коллеги исследовали подход к автоматическому распознаванию заболеваний рыбы, объединяющий два метода: анализ главных компонент (PCA) и классификацию с помощью искусственной нейронной сети (ANN).

На рисунке 18 представлена схема предложенного метода. Сначала собирались изображения больной рыбы. Затем к ним применялись морфологические операции: перевод в оттенки серого, шумоподавление и сегментация. Результаты показали, что метод FAST-PCA-ANN обеспечивает более высокую точность и эффективность классификации, чем существующая комбинация HOG-PCA-ANN.

Чакраворти и соавт. выявили четыре вида рыбы, зараженные EUS, такие как Clarias batrachus, Puntius chola, Labeo bata и Labeo gonius из различных частей долины Барак, Ассам. Они использовали два типа алгоритмов машинного обучения: метод главных компонент (PCA) и кластеризацию K-средних, с блок-схемой экспериментов, показанной на Рисунке 19 и Рисунке 20 соответственно. Результаты показали, что точность алгоритма PCA превышает 90%. В заключение, для определения цвета кожи и извлечения текстурных признаков, HSV является хорошим выбором. Для выявления патогенов рыбы и обнаружения опухоли мозга следует использовать морфологические операции.

Согласно Дивайнли и соавт., можно своевременно и эффективно выявлять заболевания рыбы (язвы EUS — грибковое заболевание) с использованием вероятностной нейронной сети (PNN). Метод показан на Рисунке 21 с выполнением следующих шагов. Входные изображения и изображения из базы данных собираются из различных источников и интернет-ресурсов соответственно. Затем изображения проходят предварительную обработку для предотвращения нежелательных искажений или улучшения некоторых признаков изображения, полезных для дальнейшей обработки, включая преобразование RGB в градации серого. Для повышения эффективности обнаружения применялся метод CWT (Curvelet Wavelet Transform), и в конечном итоге целевые заболевания рыбы, такие как отравление аммиаком, червь Camallanus и водянка, классифицируются. Другие незараженные рыбы распознаются и отделяются.

Затем используется GLCM (Gray Level Co-Occurrence Matrix) для уменьшения размерности и сохранения полезной информации. В этом исследовании использовался алгоритм обучения с учителем (PNN). Результаты показывают, что предложенная комбинация CWT-GLCM-PNN является эффективным и точным способом выявления заболеваний рыбы.

Ахмеда и соавт. выявляли заболевания у выращиваемого лосося на ферме. Работа делится на две части: предварительная обработка изображений и сегментация. Обработка изображений снижает шум и делает изображение более четким. Сегментация извлекает признаки и классифицирует заболевания с помощью алгоритма машинного обучения SVM с функцией ядра. Рисунок 22 показывает предложенную структуру для классификации заболеваний лосося. Рисунок 23 показывает архитектуру системы, которая включает две фазы: фазу построения и фазу развертывания. Результаты показали, что использование SVM является эффективным методом для идентификации заболеваний рыбы с высокой точностью. Рисунок 24 показывает различные варианты обработки изображений.

В общем, машинное обучение широко используется для выявления заболеваний рыб. Существуют различные алгоритмы машинного обучения, например ANN, HOG, PCA, SVM. В некоторых случаях их можно комбинировать, например ANN-HOG-PCA, что может показать высокий процент точности при выявлении заболеваний рыб, особенно грибковых.

2.3.3. Подсчет

Для аквакультуры важно точно подсчитывать выращиваемые виды, и современные технологии компьютерного зрения хорошо подходят для этой задачи. Они позволяют анализировать видео и изображения, автоматически определяя и подсчитывая рыбу на разных стадиях развития. Раман и коллеги разработали систему, которая распознаёт личинок и молодь в рыбоводных хозяйствах на основе обработки изображений. Алгоритм выделяет на снимках отдельные экземпляры и подсчитывает их количество.

На рисунке 25 представлена методология машинного обучения, включающая четыре этапа: захват изображения, его улучшение, сегментацию и классификацию. Такая последовательность позволяет корректно определять количество личинок и молоди по фотографиям. Пример исходных изображений, использованных в эксперименте, показан на рисунке 26. Камера фиксирует личинок и молодь, затем изображения передаются на компьютер, где обрабатываются специальным программным обеспечением.

Испытания показали, что система обеспечивает точность около 82% при подсчёте личинок и около 87% — при подсчёте молоди.

Для подсчета корма в аквакультуре Цао и соавт. использовали машинное зрение для подсчета корма для рыбы с целью управления остатками корма в аквакультуре. Контур отдельной гранулы определяется как единичная гранула. На основе площади текущего контура точно подсчитывается количество гранул в куче. Рисунок 27 показывает блок-схему стратегии подсчета. Рисунок 28 показывает подводные изображения и участок аквакультуры.

Отходы корма вызывают множество проблем в аквакультуре: снижение прибыли, загрязнение окружающей среды и влияние на здоровье выращиваемых видов. Поэтому цель данного исследования — подсчитывать правильное количество корма для выращивания рыбы с использованием алгоритма. Эксперименты проводились при различной мутности воды, степени прилипания корма и других условиях с количеством гранул более 100. Использование алгоритмов является полезным решением для решения проблем подсчета корма в реальном производстве аквакультуры. Это также эффективно в условиях мутной воды. Система может применяться в автоматических системах кормления с высокой точностью и развертываться в практическом производстве.

Чжан и соавт. предложили модель для автоматического подсчета числа рыб вместо традиционного метода искусственного отбора проб. Цель системы — подсчет числа рыб в клетках, выращиваемых в морской среде. Гибридная нейронная сеть на основе многоколонной CNN и DCNN используется для наблюдения, распознавания и подсчета числа рыб, выращиваемых в море, в реальном времени, точно, объективно и без потерь. Видеоданные для экспериментов собирались с клетки для взрослых лососей с помощью погруженной камеры снизу вверх (Рисунок 29). Результаты показали, что точность подсчета достигла 95,06% при использовании предложенной гибридной нейронной сети.

2.3.4. Классификация и идентификация

Говорят, что классификация и идентификация трудно дают точные результаты при использовании традиционных методов глазами или дорогостоящих генетических методов. Поэтому машинное обучение и компьютерное зрение являются эффективными методами для быстрой классификации и идентификации рыбы с высокой точностью.

Например, Коз-Раковак идентифицировал три вида, выращиваемых в аквакультуре: 120 сибасов (Dicentrarchus labrax), 98 дорадо (Sparus aurata L.) и 66 кефалей (Mugil spp.) с использованием биохимических данных и методов машинного обучения. Использовалось дерево решений, которое показало лучшие результаты среди методов машинного обучения: 210 образцов классифицированы правильно (85,71%) и 35 образцов неправильно (14,29%). Три вида идентифицируются на основе их биохимических характеристик. Методология исследования показана на Рисунке 30 с использованием дерева решений и анализа биохимии (AST, TP, TRIG, CHOL и GLU, собранных из крови).

Олкен и соавт. использовали камеру Deep Vision для съемки морских запасов. Эти изображения служат материалом для развертывания нейронной сети глубокого обучения для автоматической классификации видов. Результаты показали, что точность классификации составила 94% для голубого хека, атлантической сельди и атлантической скумбрии, демонстрируя, что автоматическая классификация видов является жизнеспособным и эффективным подходом, а использование синтетических данных может эффективно компенсировать недостаток обучающих данных. Рисунок 31 демонстрирует процедуру идентификации рыб. Изображения образцов рыбы извлекаются из реальных и накладываются на пустой фон в любой позиции с случайным размером и направлением. Цель обработки — создать изображения, похожие на фотографии Deep Vision. Количество рыб на изображении варьируется от одной до шести.

3. Выводы

Умная аквакультура значительно расширилась в аквакультурной индустрии за последние годы, обеспечивая эффективный, автоматизированный и точный подход. Хотя применение искусственного интеллекта в аквакультуре развивается быстро, по-прежнему существует множество проблем при эксплуатации полностью автоматизированных систем. Из-за особенностей технологии и продукции существует высокий риск недостаточного человеческого контроля, поскольку в процессе рыбоводства всё ещё необходимы наблюдение, анализ данных и принятие решений.

Использование машинного обучения и компьютерного зрения помогает активно развивать аквакультуру, делая процессы более автоматизированными и повышая продуктивность. Алгоритмы и анализ изображений работают быстрее и точнее, чем ручные методы. Однако такие технологии пока довольно дорого стоят, поэтому чаще всего их применяют на крупных хозяйствах и для ценных видов рыб.

В этой статье рассматривается, как искусственный интеллект используется в «умной» аквакультуре, особенно методы машинного обучения и компьютерного зрения. Учёные и фермеры уже тестируют разные решения: измерение размера и веса рыбы, диагностику заболеваний, подсчёт особей, классификацию видов, управление кормлением и мониторинг качества воды.

В будущем такие технологии станут доступнее и будут применяться не только в инкубаторах и наземных фермах, но и в морской аквакультуре. Например, на оффшорных площадках — в морских сетных садках — системы машинного обучения и компьютерного зрения смогут автоматически обнаруживать больную рыбу, проверять целостность сетей, следить за ростом и состоянием рыб. Это особенно важно: обычно фермеры делают всё вручную — определяют больную рыбу по вялому плаванию или даже ныряют, чтобы проверить состояние сетей.

Поэтому связка «машинное обучение + подводные камеры» имеет большое практическое значение. Она позволяет непрерывно и безопасно следить за состоянием рыбы и оборудования, распознавать болезни и контролировать рост. Такие системы могут стать основой будущей автоматизированной аквакультуры в морских клетках.

Список сокращений

CWT – Преобразование вейвлетов-Криволет (Curvelet-Wavelet Transform)
GLCM – Матрица совместной встречаемости уровней серого (Gray Level Co-occurrence Matrix)
PCA – Метод главных компонент (Principal Component Analysis)
ANN – Искусственная нейронная сеть (Artificial Neural Network)
KNN – Метод ближайших соседей (K-nearest neighbor)
VAMS – Система автоматического измерения на основе зрения (Vision-based Automatic System)
EFA – Эллиптический анализ Фурье (Elliptic Fourier Analysis)
DL – Глубокое обучение (Deep Learning)
EL – Ансамблевое обучение (Ensemble Learning)
DR – Снижение размерности (Dimensionality Reduction)
LCD – Жидкокристаллический дисплей (Liquid Crystal Display)
RAS – Система рециркуляции аквакультуры (Recirculation Aquaculture System)
ORP – Потенциал окислительно-восстановительной реакции (Oxidation Reduction Potential)
DO – Растворенный кислород (Dissolved Oxygen)
EUS – Эпизоотический язвенный синдром (Epizootic Ulcerative Syndrome)
TL – Общая длина (Total Length)
BW – Масса тела (Body Weight)
H – Высота (Height)
W – Вес (Weight)

-----

Thi Thu Em Vo, Hyeyoung Ko, Jun-Ho Huh , Yonghoon Kim. Overview of Smart Aquaculture System: Focusing on Applications of Machine Learning and Computer Vision. Electronics 2021, 10(22), 2882