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.
Tag Archives: IoT
Недорогая IoT-система мониторинга RAS на базе Raspberry Pi
Рециркуляционные аквакультурные системы (RAS) позволяют выращивать рыбу в высоких плотностях в контролируемой среде, но для этого необходимо постоянно следить за ключевыми параметрами воды, чтобы поддерживать её качество и здоровье рыб. Ручной контроль трудоёмок и подвержен ошибкам, что создаёт высокий риск серьёзных потерь. В этой работе описано создание автоматизированной системы мониторинга на базе Raspberry Pi, которая объединяет несколько датчиков — температуры, pH, проводимости, уровня воды и работы насосов — для непрерывного сбора данных в реальном времени. Особенность системы — программный алгоритм отбраковки выбросов, который повышает точность данных. Код полностью открыт и доступен на GitHub для дальнейшей доработки. Собранные данные отображаются на IoT-платформе ThingsBoard, что позволяет визуализировать информацию и анализировать её историю через защищённый протокол HTTPS. Кроме того, реализован проактивный механизм уведомлений через сервис Pushover, который мгновенно отправляет предупреждения на мобильные устройства, если какой-либо параметр выходит за допустимые пределы. В отличие от коммерческих решений, стоимость которых достигает нескольких тысяч евро и сопровождается высокими расходами на эксплуатацию и трудности интеграции, предложенная система надёжна, масштабируема и экономически выгодна — оборудование обойдётся менее чем в 150 евро.
Разработка новых технологий выращивания
Раздел 1. Введение: императив технологической трансформации в сельском хозяйстве и аквакультуре
1.1. Глобальные вызовы и необходимость инноваций
Растущий спрос на продовольствие, обусловленный увеличением мирового населения, требует радикального пересмотра методов производства белка. Прогнозируется, что к 2050 году глобальное производство продовольствия должно быть значительно увеличено, что ставит под вопрос устойчивость традиционного сельского хозяйства и первичных методов аквакультуры. Эти секторы уже сталкиваются с серьезными ограничениями, включая дефицит пресной воды, загрязнение стоками и эвтрофикацию водоемов, вызванную избыточным накоплением питательных веществ.
Роль ИИ в аквакультуре: обзор технологий и практик
Искусственный интеллект (ИИ) становится одним из ключевых инструментов развития современной аквакультуры. С ростом мирового спроса на рыбу и морепродукты интенсификация ферм выдвигает новые задачи: оптимизация кормления, мониторинг здоровья рыбы, управление качеством воды, снижение смертности и экологических воздействий. Как отмечают исследователи, внедрение ИИ уже преобразует отрасль: компьютерное зрение и машинное обучение повышают эффективность производства и устойчивость ферм, от предотвращения заболеваний до оптимизации схем кормления [1, 2]. В то же время эксперты указывают на проблемы с качеством данных, интеграцией систем и социально-экономическими рисками, требующие междисциплинарных подходов и контроля [1, 3].
Использование дронов и сенсоров в аквакультуре
Аквакультура обеспечивает почти половину потребляемой человечеством рыбы и является одним из наиболее динамично развивающихся секторов продовольственной отрасли: ожидается, что к 2026 году объём мирового рынка вырастет с ≈$204 млрд до $262 млрд [1]. В то же время традиционные методы ведения ферм испытывают серьёзные ограничения: контроль качества воды, управление кормлением и профилактика болезней часто выполняются вручную или с помощью стационарных датчиков, что даёт «слепые зоны» в данных. Аквакультура сталкивается с затруднениями в поддержании параметров среды: качество воды, операции кормления и контроль болезней нельзя эффективно осуществлять старыми методами [2]. Поскольку условия могут сильно отличаться на разных глубинах и в разных частях фермы, фиксированные сенсоры и периодические ручные измерения дают усреднённую или искаженную картину [3]. Именно поэтому в отрасли всё шире применяются беспилотные системы и интеллектуальные сенсоры, позволяющие вести круглосуточный мониторинг в реальном времени и своевременно реагировать на отклонения.