Đánh giá hiệu quả sử dụng thức ăn bằng công nghệ AI

Hiện nay, với mục tiêu giảm chi phí và công lao động trong quá trình nuôi tôm, các kỹ thuật tự động hóa đã được nghiên cứu và dần ứng dụng vào trong thực tế cụ thể như xác định yếu tố môi trường hàng ngày, đếm và ước tính kích thước tăng trưởng của tôm hàng ngày, hay nắm bắt nhu cầu ăn của tôm thông qua các hoạt động sinh lý của tôm. Tương tự, nếu như việc cho ăn dựa trên mức độ no của dạ dày có thể là một giải pháp giúp làm giảm đáng kể lãng phí thức ăn và ô nhiễm nước. 

Một phương pháp cải tiến để đếm tự động, ước tính kích thước và đo mức độ no của dạ dày đã được đề xuất. Phương pháp này kết hợp nhiều góc độ phát hiện tôm và thuật toán StrongSORT () được sử dụng cho đối tượng theo dõi để đạt được đếm chính xác. Những đóng góp của nghiên cứu này có thể được tóm tắt như sau:

(1) Thay thế mô hình YOLOv5 truyền thống bằng mô hình AR-YOLOv5 được đề xuất để thuận tiện cho việc nhận dạng tôm bằng cách tính toán góc và khung giới hạn riêng biệt, từ đó tránh được sai lệch trong tính toán góc.

(2) Phương pháp tự động phát hiện cá thể tôm và đo lường chiều dài của chúng, ngay cả khi nhiều con tôm chồng lên nhau. Phương pháp này nhằm mục đích cải thiện độ chính xác và hiệu quả của việc phát hiện tôm trong các môi trường khác nhau.

(3) Hai phương pháp tự động ước tính mức độ no của dạ dày tôm có thể áp dụng trong nuôi tôm. Những phương pháp này đã được đã được thử nghiệm trong môi trường canh tác thực tế và đạt tỷ lệ chính xác khoảng 90%. Chúng giải quyết hiệu quả vấn đề nuôi nhiều tôm chồng chéo khi nuôi tôm với mặt số dày đặc và cung cấp độ chính xác được cải thiện trong khi sử dụng ít thiết bị máy tính hơn.

Kết quả ghi nhận được về hiệu suất phát hiện củ kỹ thuật này đạt được tỷ lệ chính xác là 97,70%, tỷ lệ thu hồi là 91,42%, mức trung bình trung bình độ chính xác là 94,46% và điểm F1 là 95,42% khi sử dụng AR-YOLOv5. Hơn nữa, phương pháp xác định độ no của dạ dày của chúng tôi đạt được độ chính xác 88,8%, tỷ lệ chính xác 91,7%, tỷ lệ thu hồi 90,9% và điểm F1 là 91,3% trong môi trường nuôi tôm thực tế. 

Hình ảnh chụp đường tiêu hóa (dạ dày và đường ruột) của tôm

Quy trình tổng thể của kỹ thuật này bao gồm giai đoạn tiền xử lý Fast Fourier Transformation (FFT) và bộ lọc thông cao Butterworth cho dữ liệu thô hình ảnh hồng ngoại. 

Điều này được thực hiện để cân bằng độ sáng trong khi vẫn giữ được các chi tiết và giảm thiểu tiếng ồn thông qua lọc tần số thấp. Sau đó, các thành phần tần số cao được loại bỏ để duy trì cân bằng độ sáng và đảm bảo nhận dạng chính xác hơn dạ dày và đường tiêu hóa của tôm trong các công đoạn phân tích tiếp theo. Đầu ra trong số các quy trình tiền xử lý ở trên được cung cấp cho mô hình AR-YOLOv5 để làm đầu vào. 

Tiếp theo, AR-YOLOv5 xác định từng con tôm và tạo một khung giới hạn cho nó. Bằng cách xử lý các hộp giới hạn này, kết quả thu được số lượng tôm, khả năng di chuyển, chiều dài và mức độ đầy của đường tiêu hóa. 

Sử dụng StrongSORT để đếm số lượng tôm và xác định khả năng di chuyển của chúng. Mặt khác, AR-YOLOv5 sau đó tính toán độ dài của chúng dựa trên số pixel ở cạnh dài hơn của hộp giới hạn, chia tỷ lệ hộp giới hạn thành xác định vị trí đường tiêu hóa của tôm và ước tính mức độ no của dạ dày dựa trên tỷ lệ của đường tiêu hóa với hộp giới hạn của cơ thể nó.

Hình ảnh xác định độ no của dạ dày cũng như đường tiêu hóa của tôm

Một số giới hạn của kỹ thuật là yếu tố chất lượng nước nuôi bị đục (thức ăn và chất bài tiết của tôm tích tụ) thì thì khả năng xác định bị ảnh hưởng. Đồng thời, khi tôm có lớn lên, vỏ của chúng trở nên dày hơn và sẫm màu hơn, khiến dạ dày và đường tiêu hóa của chúng khó nhìn thấy được, đều này thể tác động tiêu cực hiệu suất của hệ thống. 

Về công việc trong tương lai, nhóm nhiên cứu thiếp tục đặt mục tiêu đo lường quy mô ngay cả khi chỉ một phần của tôm nằm trong tầm nhìn của camera. Ngoài ra, tiếp tục đo lường khả năng di chuyển của tôm, tự động phát hiện tôm chết, tôm bệnh và ước tính lượng thức ăn còn sót lại trong ao.