Серьезно отстает развитие техники аквакультуры, механизации и информационных технологий, машиностроения. Некоторые племенные предприятия в слабоосвоенных районах ограничены технологией разведения и условиями окружающей среды, селекционная гермоплазма деградирована, на предприятиях отсутствуют хорошие сорта, а водная продукция имеет низкое качество. Аквакультура сталкивается с огромными проблемами, но есть и большие возможности. Экологическое, объектное, промышленное и интеллектуальное – вот направления будущего развития аквакультуры.
Определение и системная основа интеллектуальной рыбной фермы
Интеллектуальные рыбные фермы полагаются на цифровые и интеллектуальные технологии для решения проблем нехватки рабочей силы в аквакультуре, загрязнения воды, высокого риска и низкой эффективности. Его можно разделить на четыре категории в зависимости от различных культурных сред: интеллектуальная рыбная ферма прудового типа, интеллектуальная рыбная ферма наземного заводского типа, интеллектуальная рыбная ферма садкового типа и интеллектуальное морское ранчо.
Интеллектуальная рыбная ферма прудового типа собирает информацию о качестве воды с помощью датчиков в режиме реального времени, а также патрулирует беспилотные летательные аппараты для получения данных о деятельности на поверхности воды. рыбы. Наземное интеллектуальное рыбоводческое хозяйство заводского типа в основном реализует автоматизированную рециркуляционную аквакультуру (УЗВ). Интеллектуальная рыбоводная ферма клеточного типа получает информацию о качестве морской воды и океанских течениях с помощью датчиков, а также получает информацию о движении и питании рыбы с помощью машинного зрения и сонара.
Интеллектуальные морские ранчо обычно используют наземные камеры высокой четкости и подводных роботов для сбора видеоинформации о ранчо в режиме реального времени, передачи видео на сервер данных берегового информационного центра управления с целью биологической идентификации, анализа поведения и оценки биомассы.
Передовые информационные технологии в интеллектуальной рыбной ферме
Традиционная система IoT для аквакультуры имеет трехуровневую структуру. Уровень устройства состоит из сенсорного оборудования, оборудования управления и терминала сбора данных. Сенсорное оборудование отвечает за сбор данных об окружающей среде, а также за рабочее состояние устройства и информацию о видеоизображении аквакультуры.
В состав управляющего оборудования входят аэратор (кислородный конус), питатель, клапан насоса и другое оборудование для аквакультуры. Терминал сбора данных отвечает за передачу данных датчиков вверх и прием команд управления. Сетевой уровень обычно использует беспроводную сеть. Уровень облачного сервиса включает в себя облачную платформу и приложение для смартфона.

Для предприятий с высокими требованиями к работе в режиме реального времени требуется сквозная низкая задержка на уровне миллисекунд, но обычным моделям облачных вычислений трудно справиться с вышеуказанными задачами.
Таким образом, это исследование вводит Edge-вычисления и 5G в систему IoT аквакультуры, чтобы улучшить стандартизацию, стабильность и возможности использования системы.
Работа по информатизации рыболовства позволит получить большое количество многомерных данных. Имитируя человеческое мышление и разумное поведение, ИИ может изучать огромные объемы информации, предоставляемой Интернетом вещей и большими данными, анализировать и оценивать проблемы, наконец, выполнять задачу по принятию решений и реализовывать точную работу рыбной фермы.
Интеллектуальное оборудование для измерения, контроля и самостоятельной подачи
Экологический мониторинг водной среды подразумевает использование датчиков и камер, установленных на беспилотных кораблях или надводных буях, для автоматического сбора параметров качества воды, биологических изображений аквакультуры и видеоинформации, а затем хранения, передачи, анализа и прогнозирования данных. Точное определение параметров качества воды в аквакультуре в течение длительного времени обеспечивает надежный источник данных для автоматического управления и интеллектуального принятия решений на интеллектуальной рыбной ферме.
Интеллектуальная система аэрации представляет собой оборудование, которое может точно измерять и контролировать содержание растворенного кислорода в воде и состоит из различных датчиков, сетевого модуля передачи и исполнительного устройства IOT. Интеллектуальный аэратор может контролировать температуру воды, влажность воздуха, давление воздуха и концентрацию растворенного кислорода в режиме реального времени.
Автоматическая система кормления широко используется в промышленной рециркуляционной аквакультуре, включая автоматическую систему кормления с централизованным управлением несколькими мономерами и роботизированную систему автоматического кормления. В интеллектуальном рыбоводном хозяйстве прудового типа интеллектуальное оборудование для сброса приманки должно быть размещено на беспилотных лодках или БПЛА, а БПЛА будет отвечать за самостоятельную транспортировку и погрузку приманки.
Беспилотная патрульная система
Биомиметические рыбы-роботы оснащены множеством датчиков для автоматического контроля качества воды и состояния работы ключевого оборудования.
Биомимические роботы-рыбы также могут контролировать правила кормления рыб на основе технологии компьютерного зрения и анализировать соответствующие данные, чтобы обеспечить основу для оптимизации стратегии кормления.
Инспекционный робот, основанный на технологиях глубокого обучения, компьютерного зрения и позиционирования, может определять положение больной и мертвой рыбы и использовать автоматический манипулятор для сбора мертвой рыбы в сочетании с оптической и акустической системой.
Подводный робот в садковом выращивании также может определять местонахождение поврежденных и загрязненных мест сетчатой одежды и использовать инструмент для очистки и ремонта сетчатой одежды. Орбитальный робот может проверять сеть трубопроводов циркуляционной воды, оборудование для оксигенации и оборудование для кормления в цехе рециркуляционной аквакультуры в соответствии с заранее заданным маршрутом проверки.
Интеллектуальная система сбора урожая
Интеллектуальная система сбора урожая — последний модуль рыбоводной фермы, завершающий цикл разведения. Используя эту систему, объекты разведения будут поступать на рынок транспортировкой с водой или без нее. В настоящее время траловый лов является наиболее эффективным способом лова рыбы.
Метод мягкого измерения и контроля качества воды
Качество воды в аквакультуре существенно влияет на скорость роста, состояние здоровья и эффективность потребления корма рыбами. На один параметр качества воды в аквакультуре легко влияют другие параметры качества воды, что увеличивает сложность обнаружения одним методом обнаружения, а также обеспечивает возможность применения мягких измерений.
Основная идея технологии мягких измерений состоит в том, чтобы вывести или оценить важные параметры, которые трудно наблюдать, с помощью некоторых легко наблюдаемых переменных. Если датчик выйдет из строя, это напрямую приведет к отклонению или даже сбою прогноза мягких измерений.
Интеллектуальная стратегия кормления
Передача результатов оценки эффекта подачи приманки в систему управления поможет корректировать количество кормления в режиме реального времени. Модель искусственного опыта обычно основана на большом объеме опыта наблюдений в аквакультуре, а метод регрессионного анализа используется для установления математического уравнения, связанного с потребностями в питательных веществах для роста рыбы и количеством корма.
Анализ поведения выращиваемых видов
Биологический анализ рыбы — один из первых методов биологического мониторинга, особенно используемый для изучения влияния колебаний загрязнения на поведение рыб. До сих пор индикаторы, используемые для мониторинга и оценки качества воды, в основном включают двигательное поведение, респираторное поведение и групповое поведение.
Использование технологии компьютерного зрения для мониторинга поведения рыб и определения уровня их голода может улучшить возможности и точность обработки изображений и обеспечить теоретическую основу для интеллектуального кормления.
Глубокое обучение — самый продвинутый метод машинного обучения на сегодняшний день. Это результат исследования архитектуры искусственных нейронных сетей, которая имеет большое количество скрытых слоев и миллионы параметров. Интеллектуальная рыбная ферма пытается объединить машинное зрение, гидролокатор и технологию глубокого обучения для проведения анализа поведения выращиваемых животных в режиме реального времени.
Статистика биомассы
Статистика биомассы имеет решающее значение для поддержки решений рыбоводов, таких как дозировка корма для рыб, потребление лекарств и потери рыбы. Длина, ширина, площадь и окружность рыб в разные периоды роста тесно связаны с их весом. Эти параметры будут использоваться в качестве важной основы для оценки биомассы рыб. Технология лазерного сканирования — еще одна технология неинвазивного мониторинга, которую можно использовать для оценки биомассы рыб в режиме реального времени.
Однако по сравнению с ограниченной способностью проникновения света в воду затухание звуковой волны в воде намного меньше. Идентификационный гидролокатор представляет собой разновидность многолучевой системы, в которой для передачи независимого луча используется акустическая линза.
Современные передовые технологии дистанционного зондирования с использованием спутниковых изображений дистанционного зондирования и соответствующего профессионального программного обеспечения для анализа ресурсов морского рыболовства позволяют точно определить положение рыбных запасов, что значительно повышает точность и количество вылова.
Диагностика болезней рыб
Заболевание здоровой рыбы обычно сопровождается изменением цвета и текстуры поверхности тела.
Поскольку разные рыбы страдают от одного и того же заболевания с разными симптомами, первым шагом в изучении болезней рыб является идентификация типа рыбы путем анализа фрагментов изображения тела больной рыбы и извлечения ее особенностей, включая особенности цвета и текстуры, на основе статистический метод и вейвлет-метод.
Текущие исследования изображений рыб ограничиваются получением отличных результатов распознавания и обнаружения при определенных условиях. Чтобы повысить точность и чувствительность автоматической системы диагностики заболеваний рыб на интеллектуальной рыбной ферме, это эффективный способ добавить анализ качества воды, анализ поведения рыб и анализ метеорологических данных в качестве корректирующих входных данных метода глубокого обучения.
Диагностика неисправностей оборудования
Процесс интеллектуальной диагностики неисправностей разделен на два этапа. Во-первых, все данные должны быть предварительно обработаны, параметры функций, которые могут представлять симптомы неисправности, извлекаются на основе глубокого обучения, и выбирается определенное количество наборов выборок для обучения нейронной сети для получения ожидаемой диагностической сети и классификатора. Во-вторых, по обученной нейронной сети и классификатору диагностируется онлайн-данные системы.
Проблемы
Роботы для аквакультуры сталкиваются с серьезными проблемами в аспектах оптимизации алгоритма идентификации и позиционирования целей, оптимизации алгоритма навигации и планирования пути, а также оптимизации алгоритма сортировки и мониторинга рабочих объектов.
По сравнению с традиционным машинным обучением, глубокое обучение может лучше извлекать особенности сельскохозяйственных изображений и структурированных данных и эффективно сочетаться с сельскохозяйственной техникой для лучшей поддержки разработки интеллектуального оборудования для аквакультуры. Установлено, что в применении глубокого обучения в аквакультуре все еще существуют некоторые недостатки: во-первых, глубокое обучение требует больших наборов данных для обучения, проверки и тестирования моделей. Во-вторых, большинство проблем аквакультуры, основанных на глубоком обучении, представляют собой обучение с учителем, и соответствующие выборочные данные необходимо помечать.
Выводы
Современные новейшие технологии, такие как искусственный интеллект, большие данные, Интернет вещей, датчики, машинное зрение и роботы, будут постепенно участвовать во всем процессе производства аквакультуры для полного освобождения традиционной рабочей силы и, наконец, реализовать многосценический всепогодный мониторинг производства в реальном времени. среда, анализ больших данных на основе облачной платформы и интеллектуальное принятие решений в режиме реального времени.
Строительство интеллектуальной рыбной фермы намного сложнее, чем другие проекты интеллектуальных ферм. Надежность и срок службы датчиков, надежность и точность моделей анализа и принятия решений, надежность передачи данных на основе технологии Интернета вещей, а также эффективность взаимодействия между различным интеллектуальным оборудованием для аквакультуры также требуют дальнейшего решения.
Это обобщенная версия, разработанная редакцией журнала «Аквакультура» на основе обзорной статьи «ИНТЕЛЛЕКТУАЛЬНАЯ РЫБНАЯ ФЕРМА — БУДУЩЕЕ АКВАКУЛЬТУРЫ», разработанной: ЦУНГ ВАНГ, ЧЖЕН ЛИ, ТАН ВАНГ, СЯНЬБАО СЮй, СЯОШУАНЬ ЧЖАН И ДАОЛЯН ЛИ. Оригинальная статья была опубликована в СЕНТЯБРЕ 2021 ГОДА через AQUACULTURE INTERNATIONAL под лицензией открытого доступа Creative Commons. Полную версию можно получить бесплатно в Интернете по этой ссылке: https://doi.org/10.1007/s10499-021-00773-8