Ứng dụng trí tuệ nhân tạo trong nuôi trồng thủy sản

Nội dung text: Ứng dụng trí tuệ nhân tạo trong nuôi trồng thủy sản

1. Tạp chí Khoa học – Trường Đại học Phú Yên, Số 28 (2021), 71-80 71 ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG NUÔI TRỒNG THỦY SẢN Võ Thị Thu Em*, Trần Thị Thanh Nga Trường Đại học Phú Yên Ngày nhận bài: 24/09/2021; Ngày nhận đăng: 26/10/2021 Tóm tắt Việc ứng dụng trí tuệ nhân tạo trong phát triển thủy sản, nhất là nuôi trồng thủy sản ở thời đại 4.0 là điều cần thiết cho việc nâng cao năng suất và sản lượng thủy sản, cũng như giảm được chi phí, nhân lực và hạn chế dịch bệnh. Hiện nay, tại Việt Nam nói riêng và thế giới nói chung, mạng lưới vạn vật kết nối internet (Internet of Things (IoT)) và máy học (machine learning) đang được các nhà khoa học cũng như người nuôi quan tâm và ứng dụng trong các công đoạn nhất định của hệ thống nuôi trồng thủy sản. Ứng dụng phổ biến của IoT là giám sát chất lượng nước trong bể, ao, lồng nuôi thủy sản, đồng thời kiểm soát được lượng thức ăn cần thiết cho đối tượng nuôi. Ứng dụng phổ biển của máy học là trong việc đo kích thước cá, xác định bệnh thủy sản, xác định giới tính và nhiều ứng dụng khác. Từ khóa: IoT, machine learning, thủy sản, trí tuệ nhân tạo (AI), ứng dụng 1. Giới thiệu ứng với sự thay đổi. Hiện nay, tại nhiều nước Nuôi trồng thủy sản là một trong trên thế giới nói chung và Việt Nam nói những ngành kinh tế mũi nhọn tại Việt Nam. riêng, việc ứng dụng trí tuệ nhân tạo trong Tuy nhiên, trước tình hình dịch bệnh xảy ra nuôi trồng thủy sản nhằm mục đích tối ưu trong hầu hết các trang trại, ao nuôi (Công hoạt động cho ăn đối với tôm, cá; ngăn ngừa Văn Nguyễn, 2017), cùng sự biến đối khí bệnh tật, theo dõi giá cả thị trường; kiểm tra hậu đã gây ảnh hưởng nhiều đến sản lượng và xử lý chất lượng nước trong hệ thống nuôi nuôi trồng thủy sản của cả nước trong những trồng thủy sản. Trong đó Internet of Thing năm gần đây. Một trong những giải pháp cho và machine learning được sử dụng phổ biến sự phát triển ngành nuôi trồng thủy sản đang trong nuôi trồng thủy sản. được doanh nghiệp và người nuôi quan tâm Mạng lưới vạn vật kết nối internet đó là ứng dụng công nghệ trong nuôi tôm - (IoT), là một hệ thống gồm các thiết bị, máy một đối tượng có giá trị kinh tế tại Việt Nam móc và kỹ thuật số, có khả năng truyền dữ (Phan Thanh Nghiêm, 2016), ví dụ như công liệu qua mạng mà không cần có sự tương tác nghệ siêu âm để xử lý môi trường nước, vật giữa con người với máy tính. Một hệ thống liệu nano trong khử trùng, diệt khuẩn nước IoT gồm 4 cấu trúc gồm thiết bị (cảm biến), ao nuôi, vật liệu nano bạc phòng và trị bệnh trạm kết nối, hạ tầng mạng (gồm network và cho tôm. đám mây (cloud)), bộ phân tích và xử lý dữ Trí tuệ nhân tạo (artifiical intelligence liệu (Services-creation và solution layers). (AI)) là ngành khoa học máy tính, thể hiện sự Máy học (machine learning) là phần của trí thông minh qua máy móc. Nó giúp máy tính tuệ nhận tạo, giúp máy tính làm việc, tự dự có được trí tuệ của con người như biết cách đoán hoặc đưa ra kết quả mà không cần suy nghĩ, học hỏi, dự đoán và khả năng thích được lập trình cụ thể dựa trên dữ liệu mẫu ___ hoặc dựa vào kinh nghiệm (đã được học) * Email: thuempknu@gmail.com Mạng lưới vạn vật kết nối internet và
2. 72 Journal of Science – Phu Yen University, No.28 (2021), 71-80 máy học là hai công nghệ thuộc trí tuệ nhân Nam nói riêng. Nội dung của bài báo sẽ được tạo được ứng dụng nhiều trong nuôi trồng trình bày thứ tự như sau: (1) giới thiệu thủy sản, đặc biệt trong kiểm tra chất lượng chung; (2) tình hình sử dụng trí tuệ nhận tạo nước (Nguyen, và ctv. 2020; Ajith, và ctv. trên thế giới và Việt Nam; (3) hướng ứng 2020; Hsu, và ctv. 2020; Shin, 2020; Patkar, dụng của trí tuệ nhân tạo trong tương lai. và ctv. 2020; Tolentino, và ctv. 2020; 2. Tình hình sử dụng trí tuệ nhân tạo Tawfeeq, và ctv. 2019; Dzulqornain, và ctv. trong nuôi trồng thủy sản trên thế giới và 2017; Sivabalan, và ctv. 2020); quản lý thức Việt Nam ăn (Sourav, và ctv. 2019; Satien, và ctv, 2.1. Trên thế giới 2019); và trong nhiều mục đích khác như 2.1.1. Mạng lưới vạn vật kết nối internet xác định khối lượng cá sinh khối trong hệ (IoT) thống nuôi (Yang, và ctv. 2020); nhận diện Một trong những yếu tố được quan hình dạng cá (Xu, 2018; Cai, và ctv. 2020; tâm và ảnh hưởng nhiều đến sự sinh trưởng Villon, và ctv. 2018; Rauf, và ctv. 2019; Hu, và phát triển của đối tượng nuôi trong nuôi và ctv. 2020; Cao, và ctv. 2020); ước lượng trồng thủy sản đó là chất lượng nước. Chất kích thước cá ở các giai đoạn khác nhau lượng nước trong hệ thống nuôi thay đổi liên trong quá trình phát triển (Monkman, và ctv. tục theo nhiệt độ không khí, theo thời tiết và 2019; Garcia, và ctv. 2019; Li, và ctv. 2020); điều kiện ao nuôi. Việc đánh giá chất lượng xác định giới tính (Webb, và ctv. 2019; nước theo phương pháp truyền thống tốn Barulin, 2019; Barulin, 2017); phân loại loài nhiều thời gian và công sức của người nuôi, cá (Pramunendar, và ctv. 2019; Allken, và nhưng đôi khi đưa ra quyết định xử lý không ctv 2019); Deep và Dash, 2019); thói quen đúng thời điểm gây ảnh hưởng đến sức khỏe ăn (Zhou, và ctv. 2018; Adegboye, và ctv. vật nuôi và sản lượng của quá trình nuôi 2020); thói quen nhóm (Han, và ctv. 2020), trồng thủy sản. Do đó, việc ứng dụng IoT với tỷ lệ chính xác cao bằng việc sử dụng trong nuôi trồng thủy sản mang lại nhiều lợi công nghệ trong máy học. ích như giảm thời gian kiểm tra chất lượng Ưu điểm của các ứng dụng IoT và nước, đưa ra biện pháp xử lý nước ao nuôi máy học là dữ liệu được thu thập tự động, kịp thời, nâng cao năng suất nuôi. Lĩnh vực liên tục tiết kiệm thời gian và công sức cho này được nhiều nhà khoa học quan tâm và người sử dụng và giúp người sử dụng đưa ra nghiên cứu cụ thể được thể hiện dưới đây: những quyết định kỹ thuật kịp thời giải quyết Quản lý chất lượng nước trong ao các tình huống bất thường xảy ra trong quá nuôi trồng thủy sản, về cơ bản của hầu hết trình nuôi. Tuy nhiên, một hạn chế trong ứng các thí nghiệm hiện nay được thể hiện chung dụng máy học và mạng lưới vạn vật kết nối qua 4 lớp: (1) lớp vật lý gồm các cảm biến internet trong nuôi trồng thủy sản là giá có thể đo trực tiếp các yếu tố môi trường thành các thiết bị này. Do đó, được khuyến nước nuôi ví dụ như nhiệt độ, độ mặn, oxy khích ứng dụng cho việc nuôi các đối tượng hòa tan, pH, độ trong, mực nước, hàm lượng thủy sản có giá trị kinh tế cao, các hệ thống ammonia, COD, BOD vv; (2) lớp giám sát nuôi trồng thủy sản hiện đại. gồm các dữ liệu thu thập được từ giai đoạn Trong bài viết này chúng tôi mang vật lý được theo dõi, xử lý đôi khi đưa ra đến một cái nhìn tổng quát về ứng dụng của quyết định hỗ trợ như một nền tảng vi mạch AI trong nuôi trồng thủy sản tiêu biểu ở một thiết kế mở (Anduino), máy tính bo mạch số quốc gia trên thế giới nói chung và Việt đơn (Rasperry), Zigbee; (3) lớp ảo gồm tích
3. Tạp chí Khoa học – Trường Đại học Phú Yên, Số 28 (2021), 71-80 73 hợp các dữ liệu như đám mây; (4) lớp giao biến này lên đám mây. Nghiên cứu này đã thức gồm mạng wifi, bluetooth. Tùy vào thu được một số kết quả tốt. Nó cho thấy mục đích của từng nghiên cứu các nhà rằng việc kiểm tra các thông số nước có thể nghiên cứu có thể dùng thêm các cảm biến được thực hiện trong thời gian thực tế. khác nhau hay hoặc có thể thêm hoặc bỏ các Rosaline, và ctv. (2019) cũng đã đề xuất một lớp. hệ thống bao gồm sáu cảm biến để đo các Encinas, và ctv. (2017) đã xây dựng thông số chất lượng nước nhằm theo dõi sự một hệ thống giám sát chất lượng nước trong phát triển của cá, tôm và các sinh vật sống ao nuôi. Các cảm biến nhiệt độ, cảm ứng pH, dưới nước. Các giá trị đo được từ các cảm cảm ứng oxy hòa tan tương ứng đo yếu tố biến được so sánh với dữ liệu đã thiết lập, chất lượng nước như nhiệt độ, pH, oxy hòa sau đó một thông báo cảnh báo được xử lý tan. Các cảm biến này được nhúng trong dưới dạng SMS thông qua máy chủ web. Ưu nước ao nuôi, và được nối với hệ thống nhận điểm của nghiên cứu này là các cảm biến sẽ tín hiệu UART (Universal Asynchronous được đặt chìm dưới nước cho toàn bộ hệ Transmitter Receiver). Sau đó, thông tin này thống canh tác, vì dữ liệu sẽ hữu ích trước được truyền qua kết nối giao thức Zigbee. khi thu hoạch và một số cảm biến quan trọng Dữ liệu có thể được lưu trữ và chuyển sang khác có thể được bổ sung nếu cần, tùy thuộc ứng dụng dành cho máy tính để bàn và thiết vào môi trường. Prabhu (2019) đã đề xuất sử bị di động bằng ngôn ngữ lập trình. Ưu điểm dụng hệ thống IoT với mục tiêu chính là của nghiên cứu này là chi phí thấp, tiêu thụ kiểm tra chất lượng của nước bằng cách sử điện năng thấp, khả năng mở rộng, tính linh dụng các cảm biến nhiệt độ, pH và độ đục hoạt, dễ dàng phân phối và độ chính xác cao. của nước, chẳng hạn như hồ hoặc ao. Hệ Tuy nhiên, độ ổn định và độ chính xác vẫn thống thông thường xảy ra một số lỗi trong chưa được nghiên cứu và thử nghiệm trong thực hành của nó. Vì vậy, giải pháp được nghiên cứu này. Ngoài ra, một số trường hợp cung cấp trong nền tảng IoT và một số tính đột xuất như mất điện, thiên tai chưa được năng bổ sung đã được đưa vào hệ thống để dự trù, nghiên cứu. Một nghiên cứu tiêu biểu quản lý hiệu quả. Hệ thống được thiết kế có khác, Nasir, và ctv. (2020) đo các thông số thể giúp người dùng và điều tra viên quan sát, chất lượng nước có thể phù hợp với nhiều điều tra và phân tích các dữ liệu liên quan. loại sinh vật nuôi trồng thủy sản, cụ thể là cá. Người dùng có thể lấy và phân tích dữ liệu Năm cảm biến được đặt trong bể cá để đo và bằng ngôn ngữ địa phương tương ứng trên theo dõi sự dao động của các thông số nước, điện thoại di động của họ dưới dạng SMS và đặc biệt là trong thời gian cho ăn, như cảm có thể thực hiện các bước cần thiết trong việc biến nhiệt độ, cảm biến pH, cảm biến độ đục quản lý các điều kiện môi trường với của nước, cảm biến nhiệt độ không khí và Arduino Nano Board và mô-đun wi-fi cảm biến ánh sáng. Các cảm biến này được ESP8266. Ưu điểm của nghiên cứu này là kết nối với bảng Arduino, bảng này sẽ gửi người dùng chưa biết chữ có thể tương tác dữ liệu thu thập được từ các cảm biến tới với hệ thống và có thể hiểu thông tin để thực GSM, sau đó đến đám mây Thing speak, đây hiện các hành động phù hợp. là một cách dễ dàng để theo dõi biến động Với mục đích quản lý lượng thức ăn dữ liệu trong 24 giờ một ngày. MCU Node trong ao nuôi, nó là một thí nghiệm ít phổ ESP8266 là một bo mạch mã nguồn mở có biến, tính tới thời điểm này có một vài thể giúp gửi các kết quả đọc của năm cảm nghiên cứu và cho thấy các kết quả khả quan
4. 74 Journal of Science – Phu Yen University, No.28 (2021), 71-80 bước đầu. Daud, và ctv. (2020) đề xuất một 2.1.2. Máy học (Machine learning) hệ thống giám sát bể cá cảnh sử dụng IoT là Hiện nay có nhiều ứng dụng của một trong những giải pháp để khắc phục các machine learning trong nuôi trồng thủy sản vấn đề trong bể cá cảnh. Hệ thống được sử mang lại hiệu quả kinh tế cũng như giảm dụng theo dõi chất lượng nước trong bể nuôi thời gian hoạt động. cá cảnh. Bộ điều khiển Arduino MEGA và Ứng dụng trong đo kích thước cá, NodeMCU được sử dụng trong hệ thống đã White và ctv. (2006) đề xuất một hệ thống thiết kế. Giao tiếp Wi-Fi trên NodeMCU sử dụng các thuật toán xử lý hình ảnh để xác được sử dụng giữa điện thoại thông minh và định và đo lường các loài cá khác nhau. Hình bộ điều khiển để điều khiển hoạt động. Một ảnh các loài cá thu được với các tên khoa học cảm biến pH tương tự được sử dụng để phát như sau: Hip-poglossoides platessoides, hiện giá trị pH của nước và hiển thị giá trị Solea vulgaris, Microstomus kitt, Pleu- thông qua màn hình tinh thể lỏng (LCD). ronectes platessa, Sebastes marinus, Nhờ đó, người dùng có thể biết được tình Sebastes mentella và Platichthys aries. Một trạng nước có đủ hay không, hay có cần thay hệ thống CatchMeter bao gồm băng tải, hộp nước mới hay không. Đồng thời, với các tính đèn và khay nạp được tạo ra. Hệ thống cơ năng IoT cho cá ăn, nó có thể tự động giúp khí được điều khiển bởi Omron PLC (Kyoto, người dùng cho cá ăn mọi lúc mọi nơi. Họ Nhật Bản) được kết nối với máy tính chính cũng xây dựng một ứng dụng di động để và phần mềm thông qua liên kết Ethernet. hiển thị kết quả và có thể gửi thông báo cho Sau đó, hình ảnh thu thập được sẽ được gửi người dùng. Một nghiên cứu khác từ Harish, đến máy tính và được phân tích bởi một phần và ctv. (2018) cung cấp một hệ thống bán tự mềm. Mục đích của công việc này là phát động tạo điều kiện cho các sinh vật thủy sinh triển thế hệ thiết bị phân loại cá tiếp theo, sử phát triển trong nuôi trồng thủy sản. Phương dụng phần cứng và kỹ thuật lập trình hiện pháp này liên quan đến hệ thống giám sát đại để xác định loài và đo chiều dài trong chất lượng nước và hệ thống cho ăn. Hệ thời gian thực. Kết quả cho thấy, xử lý hình thống giám sát chất lượng nước liên tục theo ảnh ở cá dẹt/cá tròn với độ chính xác 100%, dõi các thông số chất lượng nước, chẳng hạn đo chiều dài với độ lệch chuẩn là 1,2 mm và như pH và nhiệt độ, sử dụng các cảm biến các loài lên đến 99,8%. Công suất máy có tương ứng. Mô-đun GSM được sử dụng để thể đạt 30.000 con/giờ sử dụng một hệ thống báo cho người nuôi biết bất cứ khi nào chất băng tải duy nhất. Liên quan đến chủ đề này, lượng nước dưới hoặc trên mức tiêu chuẩn. Costa, và ctv. (2012) cũng đã tiến hành thử Hệ thống cho ăn tự động cho cá ăn dựa trên nghiệm với mục đích của nghiên cứu này là yêu cầu của nó. Hệ thống chủ yếu bao gồm phát triển các công cụ phương pháp áp dụng Arduino Uno, cảm biến nhiệt độ DS18B20, cho việc phân loại cá chẽm nuôi (Dicen- cảm biến pH và mô-đun SIM900A-GSM. trarchus labrax, L) về kích thước, giới tính Hệ thống kiểm tra chất lượng nước được xây và sự hiện diện của cá bất thường. Mẫu thử dựng kết hợp với hệ thống cho cá ăn tự động. nghiệm được lấy từ một lô bao gồm các cá Khi chất lượng nước đạt chuẩn, lượng thức thể của 5 quần thể cá chẽm hoang dã khác ăn cho ăn cũng sẽ tăng lên, và chất lượng nhau của châu Âu. Có 259 con cá được chụp nước không đạt chuẩn, lượng thức ăn cho ăn ảnh trực tiếp, cân nặng chính xác đến 0,1 g. sẽ giảm. Điều này sẽ tạo điều kiện cho cá Hình dạng của mỗi con cá được phân tích phát triển khỏe mạnh. bởi Elliptic Fourier (EFA) trên các tọa độ
5. Tạp chí Khoa học – Trường Đại học Phú Yên, Số 28 (2021), 71-80 75 phác thảo. Hình ảnh gốc được chuyển đổi lưới thần kinh xác suất (PNN). Hình ảnh đầu bởi 2 kênh như kênh G (thang màu xám) và vào và cơ sở dữ liệu được thu thập tương ứng kênh V (giá trị) trong không gian màu HSV. từ một số nguồn và các nguồn internet khác Khoảng cách Euclide của mỗi pixel được nhau. Sau đó, hình ảnh thông qua xử lý trước định lượng từ nền. Kết quả cho thấy rằng để ngăn chặn các biến dạng không mong việc tích hợp các kỹ thuật này tạo ra ước tính muốn hoặc để nâng cao một số tính năng kích thước (tính theo trọng lượng) với hiệu hình ảnh hữu ích cho quá trình xử lý tiếp quả hồi quy tốt hơn (r = 0,9772) so với nhật theo trong đó chuyển đổi RGB sang màu ký thường được sử dụng của chiều dài cơ thể xám đã được áp dụng. Một số phương pháp được đo (r = 0,9443). khai thác đã được áp dụng CWT (Curvelet Ứng dụng cho việc xác định bệnh Wavelet Transform) để phát hiện các bệnh của cá, hội chứng loét biểu sinh (EUS) do của cá như ngộ độc amoniac, giun Aphanomyces ký sinh gây ra. Bệnh này xảy camallanus và cổ chướng được phân loại. ra nghiêm trọng ở cá tại nhiều nước như Úc, Những cá thể khác không bị nhiễm được Ấn Độ, Vương quốc Anh, Nhật Bản, Thái nhận biết và tách biệt. Sau đó là GLCM (Ma Lan và Pakistan. Malik và ctv. (2017) đề trận đồng xuất hiện mức xám) khi nó giảm xuất một kỹ thuật kết hợp mang lại độ chính thứ nguyên và bảo toàn thông tin hữu ích. xác tốt hơn và so với kỹ thuật kết hợp hiện PNN là kỹ thuật của máy học. Kết quả cho có. Trong kỹ thuật kết hợp được đề xuất, kết thấy đề xuất kết hợp CWT-GLCM-PNN là hợp phân tích thành phần chính (PCA) với một cách hiệu quả và chính xác để phát hiện tính năng từ máy dò tính năng Accelerated bệnh cá. Segment Test (FAST) và sau đó phân loại Ứng dụng trong việc đếm cá, Raman thông qua thuật toán máy học là mạng nơ- và ctv. (2016) đã triển khai một hệ thống để ron (ANN). Các hình ảnh đầu vào (hình ảnh đếm ấu trùng và cá con trong trại sản xuất cá bệnh cá) được thu thập bằng cách áp dụng giống bằng công nghệ xử lý hình ảnh. Nó các phép toán hình thái học (chuyển hình phát hiện hình ảnh của ấu trùng và cá con, ảnh thành màu xám, loại bỏ nhiễu, phân sau đó xem và đếm số lượng ấu trùng và cá đoạn). Sau đó, áp dụng công cụ trích xuất con từ những hình ảnh này bằng cách đếm tính năng FAST để phát hiện điểm trong sở hình ảnh đơn lẻ riêng biệt. Các bước của thích và điểm quan tâm là lý tưởng có thể lặp phương pháp là phân loại thành 4 bước như lại giữa các hình ảnh khác nhau, khi đặc tính thu nhận hình ảnh, nâng cao hình ảnh, phân đã được trích xuất từ FAST, nó sẽ được giảm đoạn và phân loại. Kết quả thu lại cho thấy bởi PCA được sử dụng để giảm độ lệch tâm. hệ thống được cài đặt có thể vừa phát hiện Sau khi lựa chọn tính năng, áp dụng bộ phân với tỷ lệ chính xác là 82% ấu trùng và 87% loại là mạng thần kinh và huấn luyện nó để ấu trùng. phát hiện bệnh cá, kết quả là bệnh cá được Đối với việc đếm thức ăn trong nuôi phát hiện với độ chính xác cao. Kết quả cho trồng thủy sản, Cao và ctv. (2018) dựa trên thấy FAST-PCA-ANN có độ chính xác và thị giác máy để đếm số lượng thức ăn cho cá hiệu quả phân loại tốt hơn so với kỹ thuật kết nhằm quản lý lượng thức ăn dư thừa trong hợp hiện có HOG-PCA-ANN. Theo nuôi trồng thủy sản. Tình trạng lãng phí thức Divinely và ctv. (2019) phát hiện bệnh cá ăn gây ra nhiều khó khăn cho nuôi trồng (bệnh viêm loét EUS- một bệnh nấm) kịp thủy sản, giảm lợi nhuận, ô nhiễm môi thời và hiệu quả bằng cách sử dụng mạng trường, ảnh hưởng đến sức khỏe đối tượng
6. 76 Journal of Science – Phu Yen University, No.28 (2021), 71-80 nuôi. Do đó, mục tiêu của nghiên cứu này là các cảm biến đo nhiệt độ, độ mặn, pH, DO, đếm lượng thức ăn để nuôi cá bằng một thuật COD trong ao nuôi cá. Phần mềm này là một toán. Họ đã tiến hành các thí nghiệm về độ cơ sở dữ liệu đám mây được cung cấp bởi đục khác nhau của nước, độ kết dính của đại dương kỹ thuật số, có thể được nhìn thấy thức ăn và các thí nghiệm khác với hơn 100 trong các thiết bị di động hoặc trên máy tính viên. Thuật toán giải quyết các vấn đề bàn/máy tính xách tay. Bằng cách theo dõi thường gặp trong việc đếm thức ăn từ sản các chỉ số thời gian thực này và nhận được xuất thực tế và có thể được áp dụng cho môi cảnh báo sớm, hệ thống có thể giúp người sử trường nước đục. Nó có thể đáp ứng các yêu dụng quản lý chất lượng nước trong nuôi cầu về độ chính xác của hệ thống điều khiển trồng thủy sản. Dựa trên dữ liệu đã thu được, cấp liệu tự động và có thể được ứng dụng hệ thống có thể dự báo giá trị của từng chỉ vào thực tế sản xuất. số cho các ngày tiếp theo hoặc vào các thời Ứng dụng trong xác định loài cá, điểm đã chọn khác. Một nghiên cứu nữa, Coz-Rakovac và ctv. (2009) đã nghiên cứu Danh và ctv. (2020) trình bày việc thiết kế để xác định 3 loài bị ảnh hưởng bởi nuôi và triển khai hệ thống giám sát chất lượng trồng thủy sản như 120 loài cá chẽm nước dựa trên IoT cho nuôi cá tra ở Đồng (Dicentrarchus labrax), 98 loài cá tráp biển bằng sông Cửu Long. Hệ thống được thiết (Sparus aurata L), và 66 loài cá đối (Mugil kế cho phép người nuôi theo dõi các biến số spp) nhờ dữ liệu sinh hóa sử dụng phương hóa lý quan trọng nhất của nước ao theo thời pháp học máy. Kết quả tốt nhất trong số các gian thực. Cụ thể, công trình này giới thiệu phương pháp học, đã phân loại đúng 210 một cách tiếp cận đơn giản và hiệu quả để mẫu hoặc 85,71%, và phân loại sai 35 mẫu làm sạch tự động đầu dò cảm biến giúp cải hoặc 14,29% và xác định rõ ràng ba loài điều thiện khả năng đọc của cảm biến và giảm chi tra từ đặc điểm sinh hóa của chúng. Allken phí bảo trì. Toàn bộ hệ thống có thể được và ctv. (2019) đã sử dụng máy ảnh Deep chia thành năm thành phần chính: khối điều Vision để chụp ảnh từ kho hàng hải. Những khiển chính (bộ vi điều khiển, một mô-đun hình ảnh này là tài liệu để triển khai mạng truyền thông không dây và một mô-đun thu nơ-ron học sâu nhằm tự động hóa việc phân phát RF 433 MHz); nút cảm biến (đầu dò thu loại các loài. Kết quả cho thấy đã đạt được thập thông tin về các thông số chất lượng tỷ lệ phân loại là 94% đối với cá lăng trắng, nước, chẳng hạn như pH, độ mặn, nhiệt độ, cá trích Đại Tây Dương và cá thu Đại Tây thế oxy hóa-khử và oxy hòa tan); một bộ Dương, cho thấy rằng phân loại các loài một điều khiển cơ cấu chấp hành (một bộ vi điều cách tự động, là một cách tiếp cận khả thi và khiển và một mô-đun thu phát RF 433 MHz hiệu quả, và hơn nữa việc sử dụng dữ liệu cho phép người dùng điều khiển từ xa động tổng hợp cũng có thể giảm thiểu hiệu quả tất cơ điện và máy bơm nước trong ao cá); ứng cả thiếu dữ liệu đào tạo phổ biến. dụng điện thoại thông minh (một ứng dụng 2.2. Tại Việt Nam điện thoại thông minh cho cả Android và 2.2.1. Ứng dụng IoT iOS); và một máy chủ đám mây (hệ thống Nguyen và ctv. (2020) đề xuất một được thiết kế sử dụng nền tảng ThingSpeak hệ thống IoT để giám sát chất lượng nước IoT). trong nuôi trồng và đánh bắt thủy sản, đặc Một nghiên cứu mới nhất nghiên biệt là mô hình dự báo các chỉ tiêu chất cứu về ứng dụng IoT trong quan trắc môi lượng. Trong hệ thống này, tác giả thiết lập trường nuôi tôm hùm tại Phú Yên được tiến
7. Tạp chí Khoa học – Trường Đại học Phú Yên, Số 28 (2021), 71-80 77 hành bởi Trần Quang Vinh, và ctv. (2021). mặn. Các ứng dụng phổ biến nhất của máy Hệ thống bao gồm các cảm biến để đo các học là đo kích thước, trọng lượng của loài yếu tố môi trường như nhiệt độ, oxy hòa tan, nuôi, dịch bệnh của cá, bên cạnh đó việc đếm nhiệt độ và pH; các dữ liệu được thu một số lượng cá, quản lý lượng thức ăn cũng như cách trực tiếp, liên tục và được dự trữ tại các giám sát chất lượng nước cũng được triển đám mây thông qua trạm thu thập dữ liệu. Số khai nhiều. Trong tương lai, các ứng dụng liệu được thu thập và đưa ra các dự báo. Các của máy học sẽ được mở rộng rãi trong nuôi ứng dụng web và điện thoại giúp người dùng trồng thủy sản thông minh, không chỉ được có thể truy cập và lấy thông tin về môi triển khai trong các trại sản xuất giống, trang trường tại khu vực nuôi tôm hùm. trại trên cạn mà còn trong hệ thống nuôi 2.2.2. Máy học trồng thủy sản ngoài khơi. Đặc biệt, máy học Cho đến hiện nay chưa có công bố và IoT có thể áp dụng cho nuôi trồng thủy nào về việc sử dụng máy học trong nuôi sản trên các hệ thống nuôi lồng bè. Việc phát trồng thủy sản tại Việt Nam. hiện cá bệnh hay hệ thống lưới lồng bị rách 3. Kết luận và hướng phát triển trong hay không đều dùng phương pháp thủ công tương lai (cá bệnh nổi lên mặt nước, người lặn xuống Ứng dụng phổ biến nhất của IoT để kiểm tra) do đó hạn chế khả năng mở rộng trong các hệ thống nuôi trồng thủy sản là quy mô nuôi lồng bè, việc áp dụng hệ thống giám sát chất lượng nước (nhiệt độ, oxy, pH, máy học gắn liền với máy ảnh có thể phát độ mặn, nitrat, nitrit, amoniac, v.v.) và quản hiện bệnh cá, quản lý an toàn lồng bè, trọng lý thức ăn trong ao tôm, ao cá, bể cá, cũng lượng và kích cỡ của cá, một cách trực tiếp như các trang trại ở cả nước ngọt và nước và liên tục TÀI LIỆU THAM KHẢO Adegboye, M.A.; Aibinu, A.M.; Kolo, J.G.; Aliyu, I.; Folorunso, T.A.; Lee, S. Incorporating intelligence in fish feeding sys-tem for dispensing feed based on fish feeding intensity. IEEE Access. 2020, 8, 91948-91960. AC-CESS.2020.2994442 Ajith, J. B.; Manimegalai, R.; Ilayaraja, V. An IoT Based Smart Water Quality Monitoring System using Cloud, 2020 International Conference on Emerging Trends in Information Technology and Engineering (ic-ETITE), 2020; pp. 1-7. Allken, V.; Handegard, N.O.; Rosen, S.; Schreyeck, T.; Mahiout, T.; Malde, K. Fish species identification using a convolu-tional neural network trained on synthetic data. ICES J. Mar. Sci. 2019, 76, 342-349. Barulin, N.V. Using machine learning algorithms to analyse the scute structure and sex identification of sterlet Acipenser ruthenus (Acipenseridae). Aquac. Res. 2019, 50, 2810- 2825. Barulin, N.V. External sex specific signs in the structure of dericatives of sterlet (Acipenser ruthenus, Linnaeus, 1758) co-rium. Acta Biol. Univ. Daugavpiliensis 2017, 17, 9-17. Cai, K.; Miao, X.; Wang, W.; Pang, H.; Liu, Y.; Song, J. A modified YOLOv3 model for fish detection based on MobileNetv1 as backbone. Aquac. Eng. 2020, 91, 102117. Cao, X.; Liu, Y.; Wang, J.; Liu, C.; Duan, Q. Prediction of dissolved oxygen in pond culture water based on K-means clus-tering and gated recurrent unit neural network. Aquac. Eng. 2020,
8. 78 Journal of Science – Phu Yen University, No.28 (2021), 71-80 91, 102122. Cao, J.; Xu, L. Research on counting algorithm of residual feeds in aquaculture based on machine vision. 2018 3rd IEEE in-ternational conference on Image, Vision and Computing. 498-503. Công Văn Nguyễn (2017). Tổng quan về Ô nhiễm Nông nghiệp ở Việt Nam: Ngành Thủy Sản Costa, C.; Antonucci, F.; Boglione, C.; Menesatti, P.; Vandeputtec, M.; Chatain, B. Automated sorting for size, sex and skel-etal anomalies of cultured seabass using external shape analysis. Aquacultural Engineering. 2013, 52, 58-64. Coz-Rakovac, R.; Topic Popovic, N.; Smuc, T.; Strunjak-Perovic, I.; Jadan, M. Classification accuracy of algorithms for blood chemistry data for three aquaculture-affected marine fish species. Fish Physiol Biochem. 2009, 35, 641-647. Doi 10.1007/s10695-008-9288-0 Danh, L. V. Q.; Dung, D. V. M.; Danh, T. H.; Ngon, N. C. Design and Deployment of an IoT- Based Water Quality Monitoring System for Aquaculture in Mekong Delta, International Journal of Mechanical Engineering and Robotics, 2020, vol. 9, no. 8; pp. 1170-117. Daud, A. K. P. M.; Sulaiman, N. A.; Yusof, Y. W. M.; Kassim, M. An IoT-Based Smart Aquarium Monitoring System, in 2020 IEEE 10th Symposium on Computer Applications & Industrial Electronics (ISCAIE), Malaysia, 2020; pp. 277-282 Deep, B.; Dash, R. Underwater Fish Species Recognition Using Deep Learning Techniques., New York, 2019, 665-669. Divinely, S. J.; Sivakami, K.; Jayaraj, V. Fish diseases identification and classification using Machine Learning. Internation-al Journal of Advanced Research in Basic Engineering Sciences and Technology (IJARBEST). 2019, 5 (6), 46-51. Dzulqornain, M. I.; Rasyid, M. U. H. A.; Sukaridhoto, S. Design and Development of Smart Aquaculture System Based on IFTTT Model and Cloud Integration, in MATEC Web of Conferences, 2017; 164. Encinas, C.; Ruiz, E.; Cortez, J.; Espinoza, A. Design and Implementation of a Distributed IoT System for the Monitoring of Water Quality in Aquaculture, in 2017 Wireless Telecommunications Symposium (WTS), Chicago, IL, USA, 2017. Garcia, R.; Prados, R.; Quintana, J.; Tempelaar, A.; Gracias, N.; Rosen, S.; Vågstøl, H.; Løvall, K. Automatic segmentation of fish using deep learning with application to fish size measurement. ICES J. Mar. Sci. 2019, 77, 1354-1366. org/10.1093/icesjms/fsz186 Harish, B.; Manigandan, K.; Harishankar, N.; Ram, T. Smart Aquaculture Fish Feeding and Water Quality Monitoring, in Conference on Electronics, Information and Communication Systems (CELICS’18), 2018. Hsu, W.C.; Chao, P.Y.; Wang, C.S.; Hsieh, J. C.; Huang, W. Application of Regression Analysis to Achieve a Smart Monitoring System for Aquaculture, Information, 2020, vol. 11, no. 378; pp. 1-9. doi:10.3390/info11080387. Hu, W.; Wu, H.; Zhang, Y.; Zhang, S.; Lo, C. Shrimp recognition using ShrimpNet based on convolutional neural network. J. Ambient. Intell. Humaniz. Comput. 2020 Li, P.; Hua, P.; Gui, D.; Niu, J.; Pei, P.; Zhang, J.; Krebs, P. A comparative analysis of artificial neural networks and wavelet hybrid approaches to long-term toxic heavy metal prediction. Sci. Rep. 2020, 10, 13439. 8
9. Tạp chí Khoa học – Trường Đại học Phú Yên, Số 28 (2021), 71-80 79 Malik, S.; Kumar, T.; Sahoo, A. K. A novel approach to fish disease diagnostic system based on machine learning. Advanc-es in Image and Video Processing. 2017, 5 (1), 49-57 Monkman, G.G.; Hyder, K.; Kaiser, M.J.; Vidal, F.P. Using machine vision to estimate fish length from images using re-gional convolutional neural networks. Methods Ecol. Evol. 2019, 10, 2045-2056. Nasir, O. A.; Mumtazah, S. IoT-Based Monitoring of Aquaculture System, International Journal of Science and Technology, 2020, vol. 6, no. 1; pp. 113-137. Nguyen, T. N.; Tran, T. H.; Nguyen, C. N. A Forecasting Model for Monitoring Water Quality in Aquaculture and Fisheries IoT Systems, in 2020 International Conference on Advanced Computing and Applications (ACOMP), 2020; pp. 165- 169 Patkar, T.; More, K.; Lad, S.; Tanawade, R.; Maurya, A. IoT Based Aquaculture, International Research Journal of Engineering and Technology (IRJET), 2020, vol. 7, no. 5; pp. 7051-7055 Phan Thanh Nghiêm (2016). Ứng dụng công nghệ cao trong nuôi tôm, giải pháp cho nuôi tôm an toàn và hiệu quả, Tạp chí thông tin khoa học và công nghệ Quảng Bình- Số 2/2016. Prabhu, T. Automated Enhancement of Aquaculture Species Growth by Observing the Water Quality Using IoT, International Research Journal of Multidisciplinary Technovation (IRJMT), 2019, vol. 1, no. 6, pp. 156-164. Pramunendar, R.A.; Wibirama, S.; Santosa, P.I. Fish Classification Based on Underwater Image Interpolation and Back-Propagation Neural Network, 2019, 6. Raman, V.; Perumal, S.; Navaratnam, S.; Fazilah, S. Computer assisted counter system for larvae and juvenile fish in Malaysian fishing hatcheries by machine learning approach. Journal of Computers. 2016. 11 (5), 423-431. Rauf, H.T.; Lali, M.I.U.; Zahoor, S.; Shah, S.Z.H.; Rehman, A.U.; Bukhari, S.A.C. Visual features based automated identifica-tion of fish species using deep convolutional neural networks. Comput. Electron. Agric. 2019, 167, 105075. org/10.1016/j.compag.2019.105075 Rosaline, N.; Sathyalakshimi, S. IoT Based Aquaculture Monitoring and Control System, in International Conference on Physics and Photonics Processes in Nano Sciences, 2019. Satien, J.; Nisanart, T.; Chaiwat, J. Development of Automatic Home-Based Fish Farming Using the Internet of Things, International Journal of Recent Technology and Engineering (IJRTE), 2019, vol. 8, Issue. 2; pp. 2297-2304. Sivabalan, K.N.; Anandkumar, V.; Balakrishnan, S. IoT Based Smart Farming for Effective Utilization of Water and Energy, International Journal of Advanced Science and Technology, 2020, vol 29, no 7; pp. 2496-2500. Shin, K. J. Development of a Mobile Integrated Control App for Smart Fish Farms based on the IoT, IEIE Transactions on Smart Processing & Computing, 2020, vol. 9, no. 2; pp. 142-150. Sourav, M.; Gourav, M.; Bhavika, R.; Roshan, K.; Omesh, H.; Chandraditya, M. Fish Feeder using Internet of Things, International Research Journal of Engineering and Technology (IRJET), 2019, vol. 6, issue. 2; pp. 1680-1682. Tawfeeq, A.; Wahaibi, H. A. S. A.; Vijayalakshmi, K. IoT based Aquaculture system with Cloud analytics, International Journal of Applied Engineering Research ISSN 0973-4562, 2019, vol.14, no. 22; pp. 4136-4142. Tolentino, L. K.; Añover, J. R.; Cabrera, C.; Chua, E. J.; Avigail, C.; Mallari, J. G.; Mamenta, J.;
10. 80 Journal of Science – Phu Yen University, No.28 (2021), 71-80 Quijano, J. F.; Madriga, G. A.; Fernandez, E. IoT-Based Automated Water Monitoring and Correcting Modular Device Through LoRaWAN for Aquaculture, International Journal of Computing and Digital Systems, 2020. Trần Quang Vinh, Hà Vĩnh Hưng, Đào Việt Hùng, Phan Xuân Tuấn, Lê Thị Hằng Nga. Ứng dụng công nghệ tiên tiến trong quan trắc và dự báo môi trường nuôi tôm hùm tại Phú Yên. JST: Engineering and Technology for Sustainable Development. 2021, 31 (3), 20-25. Villon, S.; Mouillot, D.; Chaumont, M.; Darling, E.S.; Subsol, G.; Claverie, T.; Vill´eger, S. A deep learning method for ac-curate and fast identification of coral reef fishes in underwater images. Ecol. Inform. 2018, 48, 238-244. ecoinf.2018.09.007 Webb, M.A.H.; Van Eenennaam, J.P.; Crossman, J.A.; Chapman, F.A. A practical guide for assigning sex and stage of maturity in sturgeons and paddlefish. J. Appl. Ichthyol. 2019, 35, 169-186. White, D.J.; Svellingen, C.; Strachan, N.J.C. Automated measurement of species and length of fish by computer vision. Fisheries Research. 2006, 80, 203-210. doi:10.1016/j.fishres.2006.04.009 Xu, W (2018).; Matzner, S. Underwater fish detection using deep learning for water power applications, 2018, 313-318. Yang, X.; Zhang, S.; Liu, J.; Gao, Q.; Dong, S.; Zhou, C.; Deep learning for smart fish farming: applications, opportunities and challenges. Rev. Aquac. 2020. org/10.1111/raq.12464 Zhou, C.; Sun, C.; Lin, K.; Xu, D.; Guo, Q.; Chen, L.; Yang, X. Handling water reflections for computer vision in aquaculture. T Asabe. 2018, 61, 469-479. org/10.13031/trans.12466 APPLICATION OF ARTIFICIAL INTELLIGENCE IN AQUACULTURE Vo Thi Thu Em*, Tran Thi Thanh Nga Phu Yen University *Email: thuempknu@gmail.com Received: September 24, 2021; Accepted: October 26, 2021 Abstract The application of artificial intelligence in fisheries, particularly in aquaculture in the Era of Revolution 4.0 is essential for enhancing aquaculture production, as well as lowering costs, laborers and preventing diseases. Currently, Internet of Things (IoT) and machine learning are being interested and applied by scientists and farmers in certain stages of the aquaculture. The universal application of IoT is to monitor water quality in aquariums, tanks, ponds, and cages, as well as to control the amount of food in aquaculture system. On the other hand, popular applications of machine learning are to measure fish size, aquatic disease identification, sex determination and many other applications in Viet Nam as well as in the world. Keywords: IoT, Machine Learning, Fisheries, Aquaculture, Artificial Intelligence (AI), Application.