[論文レビュー] Precision Aquaculture: An Integrated Computer Vision and IoT Approach for Optimized Tilapia Feeding

Rania Hossam, Ahmed Heakl+1 more|arXiv (Cornell University)|Sep 13, 2024

Water Quality Monitoring TechnologiesEnvironmental Science被引用数 3

ひとこと要約

本論文は、ヨロv8を用いたリアルタイムのフィッシュキーポイント検出とサイズ推定、およびセンサーによる水質モニタリングを組み合わせた、タイミラス養殖における正確な給餌を実現する統合型コンピュータビジョンとIoTシステムを提案する。このシステムはキーポイント検出で94％の精度を達成し、与餌の最適化と廃棄の削減により生産性を最大58倍に向上させる。

ABSTRACT

Traditional fish farming practices often lead to inefficient feeding, resulting in environmental issues and reduced productivity. We developed an innovative system combining computer vision and IoT technologies for precise Tilapia feeding. Our solution uses real-time IoT sensors to monitor water quality parameters and computer vision algorithms to analyze fish size and count, determining optimal feed amounts. A mobile app enables remote monitoring and control. We utilized YOLOv8 for keypoint detection to measure Tilapia weight from length, achieving extbf{94\%} precision on 3,500 annotated images. Pixel-based measurements were converted to centimeters using depth estimation for accurate feeding calculations. Our method, with data collection mirroring inference conditions, significantly improved results. Preliminary estimates suggest this approach could increase production up to 58 times compared to traditional farms. Our models, code, and dataset are open-source~\footnote{The code, dataset, and models are available upon reasonable request.

研究の動機と目的

• 過剰給餌と栄養管理の不備による伝統的タイミラス養殖の非効率性を是正すること。
• コンピュータビジョンを用いたリアルタイムの自動的フィッシュカウントと体重推定を実現するスケーラブルなシステムを開発すること。
• pHや溶解酸素などの水質パラメータを継続的にモニタリングするためのIoTセンサーを統合すること。
• 養殖分野におけるコンピュータビジョン研究の再現可能性を高めるために、オープンソースのデータセットとモデルを提供すること。
• 環境への影響を最小限に抑えつつ生産性を向上させる包括的でエンドツーエンドのソリューションを実証すること。

提案手法

• 一貫したデータ収集を実現するため、制御された照明と角度で魚の画像を取得する二重同期垂直カメラを採用した。
• ヨロv8のキーポイント検出機能を活用し、タイミラスの解剖学的ランドマーク（口、尾柄部、腹、背びれ）を特定して体長推定を実施した。
• GLPNモデルを用いた深度推定により、ピクセル単位の測定値を実世界のセンチメートルに変換し、正確な体長および体重の計算を可能にした。
• 校正済みデータを用いて体長と体重の関係モデルを確立し、測定された体長から魚の体重を推定した。
• リアルタイムのIoTセンサー（pH、溶解酸素）を統合し、環境モニタリングとフィードバックを可能にする中央集約型システムを構築した。
• リアルタイムデータとモデル予測に基づき、遠隔から給餌スケジュールを監視・制御可能なモバイルアプリケーションを導入した。

Figure 1: Description of fish lengths. We opt to measure the maximum standard length to calculate fish weight [ Froese et al., 2014 ] .

実験結果

リサーチクエスチョン

• RQ1 YOLOv8は実世界の養殖環境におけるタイミラスのキーポイント検出を高精度で達成できるか？
• RQ2 コンピュータビジョンを用いたフィッシュカウントとサイズ推定は、従来の方法と比較してどれほど給餌の正確性を向上できるか？
• RQ3 ビジョンベースの魚の評価とリアルタイムの水質モニタリングを統合することで、全体的なシステム性能はどの程度向上するか？
• RQ4 自動化されたビジョン-IoT統合システムをタイミラス養殖に導入することで、どれほどの生産性向上が見込まれるか？
• RQ5 現地でのエッジデバイスに一般的に見られるハードウェア制約下でも、このシステムはどの程度の性能を発揮するか？

主な発見

• YOLOv8モデルは3,500枚のアノテート済みタイミラス画像からなるデータセットでキーポイント検出において94％の精度を達成し、AP@50およびAP@75の指標においてファステアーリーダーネット、マスク・リーダーネット、リタナネットを大きく上回った。
• フィッシュカウントの正確性は96％に達し、定着密度と給餌量の信頼性のある推定が可能となった。
• YOLOv8ナノバージョンを用いたMCUハードウェア上での推論時間が200ms未満に収まり、エッジデプロイメントに適していることが確認された。
• GLPNを用いた深度推定により、ピクセル測定値から実世界の寸法への変換が正確に行われ、体長および体重推定の信頼性が向上した。
• 予備的な生産性モデリングの結果、従来の養殖方法と比較して最大58倍の生産効率向上が見込まれる。
• Hugging FaceおよびGitHub経由でモデル、コード、データセットをオープンソースで公開したことで、再現可能性が確保され、他の魚種への応用拡張も促進される。

Figure 3: Our IoT system architecture and flow for automated aquarium monitoring and feeding.