무인자동 양식어류 급이공급 시스템 개발 및 검증
(Operation of Unmanned Automated Aquaculture Feeding System)
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
육상 양식장의 자동화의 일환으로 무인자동 급이공급시스템의 보급이 활발히 이루어지고 있다. 현재 양식업의 사료공급은 주로 정해진 시기와 양에 기초하여, 운영자가 미리 설정한 사료량에 의존하고 있어서, 이는 어류의 역동적인 사료공급 요구를 고려하고 있지 않다. 사료의 과소 혹은 과잉 공급은 어류의 성장률에 영향을 미칠고, 양식 수질을 오염 시킬 수 있다. 따라서, 본 논문은 머신 비전을 기반으로 어류의 배고픔 정도를 파악하고, 추가 사료를 공급하더라도 수질 화악로 인하여 어류가 집단 폐사하지 않도록 용존 산소농도를 실시간으로 예측하는 방법을 제안하고, 그 성능을 검증하는 것을 목적으로 하였다. 우선, 어류의 배고픔정도의 파악은 수조의 상단에 부착된 CCTV 영상 데이터를 이용하여 어류의 행동의 차이를 수치화 하여 판별할 수 있다는 것을 검증하였다. 다음으로, 어류의 크기는 어두운 환경에서도 발광 그리드와 카메라를 통하여 실제 길이를 추정할 수 있다는 것을 실험결과로 증명하였다. 마지막으로, 용존산소농도는 사료 공급에 의하여 크게 변화하기 때문에 새로운 인공지능 모델을 제안하며 3시간 후의 용존산소농도를 예측할 수 있다는 것을 보여주었다.
Abstract
Unmanned automatic feeding systems are being actively distributed to automate land-based aquaculture farms. Currently, feed supply in aquaculture is primarily based on a fixed period and amount, depending on the predetermined feed quantity set by the operator, which does not consider the dynamic feed supply needs of fish. This can lead to under- or oversupply of feed, affecting the fish growth rate and water quality in aquaculture. To address this, a method is proposed in this paper to identify fish hunger levels using machine vision and predict the dissolved oxygen concentration in real time to prevent mass fish mortality due to water quality deterioration, even with additional feed supply. The method aims to verify its performance. Firstly, based on the observation that aquaculture farm operators estimate fish hunger levels by feeding time, a method is proposed to estimate hunger levels using machine vision and feeding time. Next, a combination of time series data decomposition model and pre-trained deep learning model is used to predict the dissolved oxygen concentration in real time.
참고문헌 (16)
- X. Yang, "Deep learning for smart fish farming : applications, opportunities and challenges", Reviews in Aquaculture, 13(1), pp.66~90 (2021)
- D. Breitburg, "Declining oxygen in the global ocean and coastal waters", Science, 359(6371) (2018)
- "AKVA GROUP" (2024)[URL]
- "STEINSVIK PRODUCTION" (2024)[URL]
- "LINN Geratebau" (2024)[URL]
- "Fish Farm Feeder" (2024)[URL]
- "Standard guidelines for eel" (2017)[URL]
- W. Vasquez-Quispesivana, "Artificial intelligence in aquaculture : basis, applications, and future perspectives", Scientia Agropecuaria, 13(1), pp.79~96 (2022)
- 전명재, "인공지능 기반의 양식장 사료 공급 시스템 및 방법", 대한민국특허, 출원번호 10-2024-0069308, ~ (2024)
- W. Kim, "Real-time Prediction of Dissolved Oxygen Levels in Automated Aquaculture Feeding Systems Using a Combined Time Series Decomposition and Pretrained TCN Model", BigDAS'24: Proceedings of the 2024 International Conference on Big Data Applications and Services (2024)
- 김우재, "딥러닝 기반 시계열 분해를 통한 랜덤 이벤트를 포함한 데이터 예측 - 용존 산소량 예측 방법 제안 및 검증", 2024스마트미디어춘계학술대회 (2024), 광주실감콘텐츠큐브(GCC) 및 광주CGI센터
- N. Huynh, "Effect of light-emitting grid panel on indoor aquaculture for measuring fish growth", Sensors, 24(3) (2024)
- H. Nguyen, "Real-time estimation of Olive Flounder growth in indoor aquaculture using cameras combined with a grid", Journal of the World Aquaculture Society (2024)
- 전명재, "스마트양식을 위한 생물생장 측정 시스템", 대한민국특허, 출원번호 10-2022-0172688, ~
- M. Jun, "Development of Light-Emitting Grid Panel for Fish Growth in Indoor Aquaculture Farm", OCEANS 2023 - Limerick (2023)
- D. Lee, "Development of an Edge Computing-Based Intelligent Feeding System for Observing Depth-Specific Feeding Behavior in Red Seabream", Journal of Marine Science and Engineering, 11(9), pp.1767~ (2023)