[논문 리뷰] Precision Aquaculture: An Integrated Computer Vision and IoT Approach for Optimized Tilapia Feeding

Rania Hossam, Ahmed Heakl외 1명|arXiv (Cornell University)|2024. 09. 13.

Water Quality Monitoring TechnologiesEnvironmental Science인용 수 3

한 줄 요약

이 논문은 유在里面어를 위한 통합된 컴퓨터 비전 및 사물인터넷(IoT) 시스템을 제안하며, 실시간 물고기 관절점 검출 및 크기 추정에 YOLOv8를 사용하고, 센서 기반 수질 모니터링과 결합한다. 이 시스템은 관절점 검출 정확도가 94%이며, 사료 공급 최적화와 낭비 감소를 통해 생산성을 최대 58배 향상시킨다.

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.

연구 동기 및 목표

• 과도한 사료 공급과 영양소 관리 부족으로 인한 전통적 유在里面어 양식의 비효율성을 해결하기 위해.
• 컴퓨터 비전을 활용한 실시간 어류 수세기 및 체중 추정을 위한 확장 가능한 실시간 시스템을 개발하기 위해.
• pH 및 용존 산소와 같은 수질 파라미터를 지속적으로 모니터링하기 위해 사물인터넷(IoT) 센서를 통합하기 위해.
• 수산양식 컴퓨터 비전 분야에서 재현 가능한 연구를 위해 오픈소스 데이터셋과 모델을 구축하기 위해.
• 환경 영향을 최소화하면서 생산성을 향상시키는 통합형 종단 간 솔루션을 구현하기 위해.

제안 방법

• 일관된 데이터 수집을 위해 제어된 조명 조건과 각도에서 이중 동기화 수직 카메라를 사용하여 물고기 영상 촬영.
• YOLOv8의 관절점 검출 기능을 활용해 유在里面어의 해부학적 기준점(입, 꼬리줄기, 배면, 등)을 식별하여 길이 추정.
• GLPN 모델을 통한 깊이 추정을 적용하여 픽셀 기반 측정치를 실제 세계의 센티미터 단위로 변환하여 정확한 길이 및 체중 계산 가능.
• 캘리브레이션된 데이터를 기반으로 길이-체중 관계 모델을 수립하여 측정된 길이에서 체중을 추정.
• 실시간 IoT 센서(pH, 용존 산소)를 통합하여 환경 모니터링 및 피드백을 위한 중앙 집중식 시스템 구축.
• 실시간 데이터 및 모델 예측 기반으로 원격에서 사료 공급 일정을 모니터링 및 제어할 수 있도록 모바일 애플리케이션 구현.

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

실험 결과

연구 질문

• RQ1 YOLOv8는 실생활 수산양식 환경에서 유在里面어의 높은 정밀도의 관절점 검출을 달성할 수 있는가?
• RQ2 컴퓨터 비전 기반의 어류 수세기 및 크기 추정은 기존 방법에 비해 사료 공급 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 실시간 수질 모니터링을 비전 기반 어류 평가와 통합함으로써 전체 시스템 성능은 어떻게 향상되는가?
• RQ4 자동화된 비전-IoT 통합 시스템을 유在里面어 양식에 적용할 경우 생산성 향상 잠재력은 어느 정도인가?
• RQ5 현장 배포에서 일반적인 엣지 디바이스의 하드웨어 제약 조건 하에서 시스템 성능은 어떻게 되는가?

주요 결과

• YOLOv8 모델은 3,500장의 레이블이 부여된 유在里面어 영상 데이터셋에서 관절점 검출 정확도가 94%를 기록했으며, AP@50 및 AP@75 지표에서 Faster R-CNN, Mask R-CNN, RetinaNet를 뛰어넘는 성능을 보였다.
• 어류 수세기 정확도는 96%에 도달하여, 밀도 및 사료 요구량의 신뢰성 있는 추정이 가능해졌다.
• YOLOv8 나노 버전을 사용하여 MCU 하드웨어에서 인fer 시간이 200ms 이내로 확보되어 엣지 배포에 적합함을 입증했다.
• GLPN을 통한 깊이 추정 기능은 픽셀 기반 측정치를 실제 세계의 치수로 변환하여 길이 및 체중 추정의 신뢰도를 향상시켰다.
• 초기 생산성 모델링 결과, 기존 농업 방식 대비 시스템의 생산성 효율이 최대 58배 향상될 수 있음을 시사했다.
• Hugging Face 및 GitHub 경유로 모델, 코드, 데이터셋을 오픈소스로 공개하여 재현 가능성 및 향후 다른 어류 종류로의 확장 지원.

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