海南
前言：
最近，台湾一个研究团队公布了应用人工智能通过评估虾的消化系统，来控制虾饲料效率的初步结果。
一、控制好饲料投喂，能够大大提升养虾行业的利润。
目前，以降低对虾养殖过程中的成本和劳动力为目标，自动化技术已被研究并逐步应用于具体实践中，例如：确定日常环境因素、统计和估算对虾每日生长大小、或掌握对虾的摄食需求，掌握虾通过虾的生理活动等。同样，基于肠胃饱满度的喂养，可能是明显减少饲料浪费和水污染的解决方案。
该团队提出了一种自动计数、大小估计和肠胃饱满度测量的改进方法。该方法结合多角度虾检测，并利用StrongSORT()算法跟踪目标，实现精确计数。这项研究的贡献可概括如下：
(1)提出用AR-YOLOv5模型代替传统的YOLOv5模型，通过分别计算角度和边界框来方便虾识别，从而避免角度计算中的偏差。
(2)即使多尾虾被重叠，该方法也会自动、准确检测单尾虾，并测量它们的长度，该方法旨在提高不同环境下对虾检测的准确性和效率。
(3)两种自动估算虾肠胃饱满度的方法可应用于对虾养殖，这些方法已经在真实的养殖环境中进行了测试，准确率达到90%左右。它们有效解决了高密度养虾中虾重叠的问题，并在使用更少的计算设备的同时提供了更高的精度。
AR-YOLOv5的检测性能记录结果最高准确率为97.70%，平均准确率为94.46%，召回率为 91.42%，F1得分为95.42%。此外，我们确定肠胃饱满度的方法，在真实的对虾养殖环境中达到了88.8%的准确率、91.7%的最高准确率、90.9%的召回率和91.3%的F1分数。
对虾的消化系统（胃和肠）图像
二、这项AI技术，拥有什么样的未来？
该技术的整体工作流程，包括：快速傅立叶变换 (FFT) 预处理阶段和用于红外图像原始数据的巴特沃斯高通滤波器。
这样做是为了平衡亮度，同时保留细节，并通过低频滤波最大限度地减少噪音。然后，去除高频成分以保持亮度平衡，并确保在后续分析步骤中更准确地识别虾的消化系统。上述预处理例程的输出被馈送到AR-YOLOv5模型作为输入源。
接下来，AR-YOLOv5识别每尾虾并为其创建一个边界框。通过处理这些边界框，可以获得虾的数量、运动性、消化系统的长度和饱满度。
使用StrongSORT对虾进行计数，并确定其移动性。另一方面，AR-YOLOv5然后根据边界框较长一侧的像素数量计算它们的长度，缩放边界框和消化系统到其身体的边界框，以定位虾的消化道并估计其饱满度的水平。
图像决定了虾的消化系统的饱满度
当然，该AI技术的一些局限性是，如果水质浑浊（残饵和虾排泄物积聚），测定能力就会受到影响。与此同时，随着虾的生长，它们的壳变得更厚、颜色更深，使得它们的胃和肠道不那么明显，这会对系统的性能产生负面影响。
至于未来的工作，研究团队的目标是继续测量虾的规模，即使只有一部分虾在相机的视野范围内。此外，继续测量虾的移动能力，自动检测死虾、病虾，并估算池塘中剩余的饲料量。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
