آشنایی با هوش مصنوعی و کاربردهای آن در آبزی پروری

ظهور هوش مصنوعی در آبزی پروری

هوش مصنوعی (AI) در سال‌های اخیر به طور فزاینده‌ای در تحقیقات، تولیدات آبزی‌پروری، استارت‌آپ‌ها و شرکت‌های شیلاتی که برنامه‌های کاربردی جدید مبتنی بر هوش مصنوعی را برای این صنعت توسعه می‌دهند مرتبط شده است.

چندین خبر مهم در چند ماه گذشته منتشر شده که پیشرفت‌هایی را در کاربرد هوش مصنوعی در صنعت آبزی‌پروری توضیح می‌دهد. البته، برای ما با تجربه محدودی که در زمینه برنامه نویسی پیشرفته کامپیوتر داریم، یکی از اولین سوالاتی که معمولاً مطرح می شود این است که “هوش مصنوعی دقیقا چیست”؟

بدون پرداختن به جزئیات، هوش مصنوعی شامل برنامه‌نویسی است که تشخیص (تصاویر، زبان‌ها، موسیقی و غیره) و تصمیم‌گیری را – بدون نیاز به نظارت انسان- تسهیل می‌کند. زبان آکسفورد هوش مصنوعی را اینگونه تعریف می‌کند: «تئوری و توسعه سیستم‌های رایانه‌ای که قادر به انجام وظایفی هستند که معمولاً به هوش انسانی نیاز دارند، مانند ادراک بصری، تشخیص گفتار، تصمیم‌گیری و ترجمه بین زبان‌ها».

چگونه به اینجا رسیدیم؟

تاریخچه هوش مصنوعی در حال حاضر در آبزی پروری با چیزی به نام منطق فازی آغاز شد. در سال 1965، لطفی زاده در دانشگاه کالیفرنیا  مقالات آکادمیک متعددی با عنوان «مجموعه‌های فازی» منتشر کرد. او مفهوم بدیع طبقاتی از اشیاء را ارائه کرد که “پیوستاری از درجه‌های ارتباط” را نشان می‌دهند. این مفهوم به وضوح تأکید می‌کند که بسیاری از چیزها در یک دسته قرار نمی‌گیرند و زمینه را برای آنچه که اکنون به عنوان منطق فازی شناخته می شود، فراهم می کند.

“تئوری پشت منطق فازی واقعیت ادراک انسان قرار دارد، جایی که تمام چیزها بین 0 و 1 یا درست و غلط قرار می‌گیرد”

در حالی که محاسبات قدیمی در آن زمان از مقادیر 0 یا 1 و درست یا غلط تبعیت می‌کرد، تئوری پشت منطق فازی واقعیت ادراک انسان جای باز کرد. در طول سال‌ها، منطق فازی شامل: کاربردهای رایانه‌ای مانند پردازش تصویر و تشخیص بیماری‌ها اختصاص داده است و در سیستم‌های کنترلی برای همه چیز از انتقال خودرو گرفته تا ماشین ظرفشویی و فتوکپی استفاده شده است.

من برای اولین بار بیش از دو دهه پیش با هوش مصنوعی در آبزی پروری آشنا شدم. لی و همکاران (2000) در مرکز پزشکی دانشگاه تگزاس در گالوستون خلاصه‌ای از استفاده آن‌ها از یک سیستم کنترل مبتنی بر منطق فازی برای نیترات زدایی در یک سیستم مدار بسته (RAS) را منتشر کردند. کار آن‌ها بر توسعه یک بیوراکتور نیترات زدایی کنترل شده توسط کامپیوتر برای یک سیستم نگهداری ماهی مرکب برای تحقیقات زیست پزشکی[1] متمرکز بود. منطق فازی برای پردازش ورودی‌های بلادرنگ از حسگرهایی که اکسیژن محلول، پتانسیل کاهش اکسیداسیون و pH را اندازه‌گیری می‌کنند منطبق بود، و به نوبه خود برای کنترل نرخ پمپاژ و افزودن کربن به بیوراکتور استفاده می‌شد.

فناوری هوش مصنوعی در دو دهه گذشته در بسیاری از زمینه‌ها و به روش‌هایی که به راحتی می‌توان با تولید آبزی‌پروری سازگار کرد به سرعت توسعه یافته است. دو پیشرفتی که تأثیرات زیادی دارند، یادگیری عمیق [2]و شبکه‌های عصبی کانولوشنال[3]. یادگیری ماشینی سنتی از الگوریتم‌هایی برای انجام عملکردها با داده‌های ارائه‌شده (تا حدی از ورودی انسان) استفاده می‌کند، اما با روش هایی و در طول زمان از طریق بازخورد و تنظیمات به دست انسان کارآمدتر می‌شود. یادگیری عمیق با لایه بندی الگوریتم‌ها و خود ارزیابی و تنظیم، یک گام جلوتر می‌رود. سیستم های یادگیری عمیق از طریق فرآیندهای محاسباتی به مرور از خود می آموزند و بر اطلاعاتشان افزوده می‌شود. شبکه های عصبی کانولوشنال الگوریتم‌های یادگیری عمیق هستند که به ویژه برای تشخیص و تفسیر تصویر مفید هستند.

در همان زمان، فناوری حسگرها مانند گزینه‌های اتصال از طریق Cloud، شبکه‌های G5 و اینترنت اشیا (IoT) با سرعت زیادی پیشرفت کرده است. در نتیجه، هوش مصنوعی در حال حاضر برای بهبود کارایی تغذیه، تخمین زیست توده، ردیابی رشد، تشخیص زودهنگام بیماری‌ها، نظارت و کنترل محیطی (به ویژه در RAS) و کاهش هزینه‌های نیروی کار در آبزی پروری در حال ارزیابی و استقرار است. با استفاده از حسگرها و فن آوری‌های پردازش مدرن، بسیاری از وظایف معمول آبزی پروری مدرن را می‌توان با نیروی کار بسیار کمتر و بهبود شرایط امنیت زیستی انجام داد.

تحقیق جاری

تشخیص بیماری پیشرفته بر اساس رفتار ماهی و علائم بیرونی به عنوان یک روزنه امیدوارکننده برای کاربرد هوش مصنوعی ظاهر شده است. چن و همکاران (2022) در مورد یک سیستم تجزیه و تحلیل تصویر دو فازی با استفاده از یادگیری عمیق و یک شبکه عصبی کانولوشن برای طبقه بندی سه نوع رفتار غیرعادی در ماهی هامور پرورشی در قفس گزارش دادند. از بین چهار مدل طبقه‌بندی توسعه‌یافته در این مطالعه، آن‌ها به بهترین میانگین دقت( 98.94 درصد) دست یافتند.

هزینه‌های اجزای مورد نیاز برای توسعه سیستم‌های هوش مصنوعی برای پرورش ماهی هنوز نسبتاً بالا است، اما روند هزینه‌ها و رویکردهای جدید ممکن است در نهایت دسترسی را حتی برای تولیدکنندگان با منابع محدود میسر سازد. اخیراً داراپاننی و همکاران. (2022) سیستمی را به طور خاص برای تشخیص زودهنگام شیوع بیماری پیشنهاد کردند و به پرورش دهندگان زمان بیشتری را برای پاسخ با گزینه های مدیریتی مناسب ارائه دادند. این سیستم برای به دست آوردن تصاویری که از طریق Cloud به یک منبع برای پردازش و امتیازدهی ارسال می‌شوند، به دوربین های زیر آب یا حسگرهای مشابه متکی است. متعاقباً، داده‌ها از طریق یک مدل هوش مصنوعی پیشرفته، طبقه بندی و تجزیه و تحلیل خواهند شد. با گزینه‌های اتصال مدرن، زمان چرخش می‌تواند به اندازه چند دقیقه باشد و چندین مزرعه را می‌تواند در روز ارزیابی کند.

شیوه‌های تغذیه کارآمدتر نیز تمرکز تحقیقات اخیر هوش مصنوعی در آبزی پروری بوده است. چن و همکاران (2021) از یک فرمول پیش‌بینی زیست توده بر اساس مدل ماشین بردار پشتیبان با استفاده از داده‌های کیفیت آب در زمان واقعی در ارتباط با شبکه‌های عصبی مصنوعی برای پیش‌بینی نیازهای خوراک و مقادیر بهینه تغذیه برای میگوهای پرورش‌یافته در یک مرکز RAS استفاده کردند. نتایج نشان داد میانگین درصد خطای 3.7 درصد، احتمالاً بسیار بهتر از تغذیه دستی است.

نظارت بر زیست توده و کنترل موجودی در مناطق حاصلخیز یکی‌دیگر از کاربردهای هوش مصنوعی در آبزی پروری است. گونچالوس و همکاران (2022) استفاده از یک شبکه عصبی کانولوشنال را برای شمارش بچه های انگشت‌قد ارائه دادند. رویکرد هوش مصنوعی شامل تصاویر متوالی بود که امکان شمارش ماهی‌ها را حتی زمانی که دو یا چند ماهی با یکدیگر در تماس بوده یا روی هم قرار داشتند را می‌داد، و این مدل برای پیش‌بینی حرکات ماهیان انگشت‌قد سازگار بود. به طور کلی، F-Measures (وسایل هارمونیک دقت و یادآوری، با 1.0 که یک امتیاز کامل است) زمانی که اطلاعات در مدل گنجانده شد به 97.89 رسید. ناتسویکه و همکاران (2022) از یک تکنیک یادگیری عمیق به نام “تقسیم بندی معنایی” در ارتباط با تقریباً 9000 تصویر با گذشت زمان برای شناسایی گوش ماهی‌های منفرد در شبکه‌های فانوس و ردیابی الگوهای رشد و رفتار آن‌ها استفاده کردند.

برخی از برنامه‌های کاربردی دنیای واقعی

در حالی که برخی از ناظران صنعت و ذینفعان ممکن است در مورد آینده هوش مصنوعی در تولید آبزی پروری مطمئن نباشند، یا در صحت اطلاعات آن تردید داشته باشند، اما روش‌های سنتی به سرعت در حال از بین رفتن هستند. شرکت کانادایی ReelData AI دو محصول قابل توجه برای عملیات آبزی پروری مستقر در خشکی توسعه داده است:

ReelAppetite[4] نظارت و تنظیم مصرف و غذا دهی هوشمند

ReelBiomass[5] تخمین‌هایی از توزیع اندازه و وزن ماهی

این شرکت اخیراً به دلیل جمع آوری بیش از 8 میلیون دلار در دور سرمایه گذاری سری A[6]، خبرساز شد.

شرکت Umitron مستقر در توکیو تلاش‌های خود را بر روی تطبیق فناوری هوش مصنوعی برای کاربردهای آبزی پروری متمرکز کرده است. رستوران‌های زنجیره‌ای Kura Sushi با استفاده از سیستم‌های هوش مصنوعی توسعه یافته توسط Umitron، ماهیان گالیت و ماکرل را در سایت تولید خود در Kura Osakana پرورش می دهند. سیستم Umitron از نظارت بر رفتار شنا برای تصمیم‌گیری در مورد زمان و میزان تغذیه برای هر قفس ماهی استفاده می‌کند. این رویکرد ضمن کاهش ضایعات، راندمان تبدیل خوراک را به میزان قابل توجهی بهبود می‌بخشد و الزامات حمل‌ونقل و تدارکات مرتبط با تغذیه معمولی روزانه را تا حد زیادی کاهش می‌دهد. ماهی پرورش یافته با این روش ، اکنون با نام “AI Sumagatsuo[7]” به بازار عرضه می‌شود.

تولید کننده جهانی ماهی سالمون Cermaq [8]نیز چندین سال است که با یک سیستم هوش مصنوعی کار می‌کند. این تجهیزات با نام iFarm توسط شریک فناوری BioSort با هدف کلی بهبود سلامت و امنیت ماهی در قفس‌های پرورشی [9]توسعه داده شد. تحقیق شامل اهداف افزایشی است. در ابتدا، شرکت بر نحوه تعامل ماهی با سیستم متمرکز شد و آزمایش‌های بعدی با هدف انطباق و ساده‌سازی اجزا و عملیات سیستم انجام گرفت. آزمایش‌های فعلی در حال ارزیابی فناوری‌های حسگر، اکتساب و پردازش داده‌ها و الگوریتم‌های یادگیری ماشین هستند. توسعه روش‌هایی برای مرتب‌سازی ماهی‌ها در داخل قفس‌های پرورشی نیز با هدف نظارت و درمان تک تک ماهی‌ها بر اساس الگوهای نقطه‌ای منحصربه‌فرد و وجود شپش‌های دریایی، به اولویت تبدیل شده است.

مراحل بعدی

فناوری در هر جنبه‌ای از نظارت و کنترل مبتنی بر هوش مصنوعی برای آبزی پروری به سرعت در حال پیشرفت است. دستگاه‌های مدرن اکنون می‌توانند امکان استفاده از مشاهدات استریوسکوپی از اندازه، شکل، موقعیت و رفتار ماهی و میگو را فراهم کنند. “دوربین های سونار” اکنون می‌توانند انعکاس صدا را به تصاویر ویدئویی برای استفاده در محیط‌های تاریک یا کدر تبدیل کنند. نظارت بر کیفیت آب را می توان به صورت سه بعدی در قفس‌ها و مخازن بزرگ با استفاده از وسایل زیردریایی هوشمند (که حسگرها را تنظیم می‌کنند تا پروفایل‌های داده سه بعدی تولید کنند) انجام داد. در حالی که محیط های تولید داخلی (RAS) و زیر آب (net-pen) نسبتاً پایدار هستند، ممکن است در آینده  چالش های زیست محیطی بیشتری برای تجهیزات مستقر در حوضچه‌های باز ایجاد شود.

وو و همکاران (2022) یک نمای کلی از کاربردهای فعلی و بالقوه هوش مصنوعی در آبزی پروری ارائه کردند. آ‌ن‌ها تکامل تکنولوژیکی بسیاری از دستگاه‌ها را از فعالیت های دستی از طریق مکانیزاسیون، اتوماسیون و – در نهایت – تجهیزات هوشمند ترسیم کردند. یکی از مشاهدات مهم انجام شده توسط این پژوهشگران، پتانسیل بهبود امنیت زیستی از طریق استفاده از تجهیزات بدون سرنشین است، و توسعه روبات‌های مستقل به سرعت در بخش آبزی‌پروری در حال گسترش است. این واحدها پتانسیل زیادی برای حفظ شرایط بهداشتی با جمع آوری و حذف مرگ و میر، پسماند خوراک و زباله‌های انباشته شده و همچنین تمیز کردن پرورشی دارند. هزینه‌ها هنوز برای برخی از عملیات تا حدودی گران است اما انتظار می رود در سال های آینده کاهش یابد.

مصطفی و همکاران (2021) بسیاری از موضوعات ارائه شده در این مقاله را بررسی کرد و همچنین به تعدادی از محدودیت‌ها و چالش‌ها اشاره کردند که ممکن است پذیرش گسترده هوش مصنوعی در آبزی‌پروری را پیچیده کند. در میان این موارد، رفع نگرانی‌های امنیتی [10]مربوط به سطوح مختلف سیستم‌ها و شبکه‌های به هم پیوسته مورد توجه است. موضوع دیگر نیاز به جمع‌آوری داده‌های پیچیده برای دریافت معنادار پیچیدگی و تعاملات بیولوژیکی موجود در بسیاری از سیستم‌های تولید خواهد بود. یادگیری عمیق هوش مصنوعی به حجم زیادی از داده های آموزشی نیاز دارد که معمولاً به سختی می توان به آن دست یافت. برای برخی از کاربردها، این بیشتر با کدورت و رسوب زیستی مرتبط با بسیاری از سیستم های کشت ترکیب می شود. در نهایت، ملاحظات هزینه و فایده تا حد زیادی میزان و سرعت پذیرش هوش مصنوعی را تعیین می کند. اما روندهای بلندمدت برای پذیرش به طور فزاینده ای آشکار است.

منابع:

1. Chen, F, et al (2021) Intelligent feeding technique based on predicting shrimp growth in recirculating aquaculture system. Aquaculture Research, 53:4401-4413.
2. Chen, JC, et al (2022) Underwater abnormal classification system based on deep learning: a case study on aquaculture fish farm in Taiwan. Aquaculture Engineering, 99:102290.
3. Darapaneni, N, et al (2022) AI based farm fish disease detection system to help micro and small fish farmers. IEEE 2022 Interdisciplinary Research in Technology and Management (IRTM), pp. 1-5. Institute of Electrical and Electronics Engineers Kolkata, India.
4. Gonçalves, DN, et al (2022) Using a convolutional neural network for fingerling counting: a multi-task learning approach. Aquaculture, 557:738334.
5. Lee, PG, et al (2000) Denitrification in aquaculture systems: an example of a fuzzy logic control problem. Aquaculture Engineering, 23:37-59.
6. Mustapha, UF, et al (2021) Sustainable aquaculture development: a review on the roles of cloud computing, internet of things and artificial intelligence (CIA). Reviews in Aquaculture, 13:2076-2091.
7. Natsuike, M, et al (2022) Semi-automatic recognition of juvenile scallops reared in lantern nets from time-lapse images using a deep learning technique. Plankton and Benthos Research, 17(1):91-94.
8. West, DM and Allen, JR (2018) How artificial intelligence is transforming the world. Center for Technology Innovation, The Brookings Institution.
9. Wu, Y, et al (2022) Application of intelligent and unmanned equipment in aquaculture: a review. Computers and Electronics in Agriculture, 199:107201.

• Zadeh, LA (1965) Fuzzy sets. Information and Control, 8:338-353.

نویسنده:

پروفسور سی گرگ لوتز

حرفه او، تجربه کار با گونه‌های آبزی متعدد در تعدادی از کشورها بوده است. دکتر لوتز همچنین نویسنده کتاب ژنتیک عملی برای آبزی پروری است.

سایت:

thefishsite.com

[1] علوم زیست پزشکی (Bio-Medica) مجموعه‌ای از علوم هستند که بخش‌هایی از علوم طبیعی یا علوم رسمی یا هر دو را برای توسعه دانش، مداخلات یا فناوری که در مراقبت‌های بهداشتی یا بهداشت عمومی استفاده می‌شوند، به کار می‌گیرند. رشته هایی مانند میکروبیولوژی پزشکی، ویروس شناسی بالینی، اپیدمیولوژی بالینی، اپیدمیولوژی ژنتیک و مهندسی زیست پزشکی از علوم پزشکی هستند.

علم زیست پزشکی یکی از وسیع‌ترین حوزه‌های علم مدرن است و زیربنای بسیاری از پزشکی مدرن است – از تعیین نیازهای خونی بیماران بدحال تا شناسایی شیوع بیماری‌های عفونی تا نظارت بر نشانگرهای زیستی در سرطان *

[2] یادگیری عمیق (Deep Learning) بخشی از روش‌های یادگیری ماشین است که بر روش‌هایی تمرکز دارد که مبتنی بر شبکه‌های عصبی مصنوعی (Artificial neural network) هستند. یادگیری عمیق به رایانه‌ها می‌آموزد آنچه را که به طور طبیعی برای انسان انجام می‌شود، انجام دهند.

[3] شبکه‌های عصبی پیچشی یا همگشتی،به انگلیسی: convolutional neural network))  (مخفف انگلیسی: CNN یا ConvNet) رده‌ای از شبکه‌های عصبی ژرف هستند که معمولاً برای انجام تحلیل‌های تصویری یا گفتاری در یادگیری ماشین استفاده می‌شوند.

[4] سیستم کاملاً خودکار، اشتهای جمعیت را در زمان واقعی شناسایی کرده و سطوح خوراک را برای به حداکثر رساندن زیست توده و در عین حال محدود کردن ضایعات تنظیم می‌کند.

[5] سیستم سورتینگ

[6] سری A اولین دور سرمایه‌گذاری مالی است که یک استارتاپ از شرکت سرمایه‌گذار یا شتاب دهنده دریافت می‌کند به طوری که سرمایه‌گذاران با سرمایه‌گذاری در استارتاپ، صاحب بخشی از سهام آن می‌شوند. در این دوره، استارتاپ بر اساس معیارهای خاصی ارزیابی می‌شود که برخی از مهم‌ترین آن‌ها عبارتند از:

– اثبات ماهیت استارتاپ به جامعه مشتریان

– پیشرفت حاصل از سرمایۀ اولیه

– کیفیت تیم اجرایی

– نیاز بازار

[7] ماهی تون اسکیپ جک پرورش یافته به کمک هوش مصنوعه. هوش مصنوعی (Artificial intelligence) که به اختصار AIنامیده می‌شود.

[8] نام شرکتی است که در نروژ، کانادا و شیلی ماهی سالمون و ماهی سالمون پرورش می دهد

[9] قفس‌های پرورش ماهی، قفس‌هایی هستند که عموماً از دو تور تشکیل شده است: یک تور داخلی برای نگهداری ماهی و یک شبکه بیرونی برای حذف شکارچیان.

[10] خطرات انسان‌ساز مانند حملات سایبری و نیز بلایای طبیعی مانند سونامی و… .

تعداد بازدید:
۰