林克臻、吳適達、廖育成、陳思瑜、莊俊德、陳志仁 / 工研院智慧感測與系統科技中心；
林志遠 / 農業部水產試驗所技術服務組
本研究旨在開發出一套養殖魚精準投餵感控系統，供水產養殖進行智慧和自動化投餵，期以縮短投餵過程中投入的人力工時。系統整合了水面攝影機和水下震動感測器的即時訊號，搭配投餵決策模型，學習模擬養殖專員的投餵決策曲線。依據各類魚種或養殖專員個人化的投餵決策曲線，系統可透過監督式機器學習方法客製化訓練投餵決策模型。經場域實機測試，兩週17次投餵共15,055筆數據做訓練、一週六次投餵共6,017筆數據做測試。結果顯示，系統可學習模擬養殖專員的投餵決策曲線，兩者間投餵結束時間誤差平均約8.2％。驗證了本自動化系統可模仿養殖專員投餵，節省每日投餵工時至少兩小時以上。
【內文精選】
精準投餵感控系統
研發團隊和國內養殖業者合作，在多處養殖池安裝了精準投餵感控系統，如圖一所示。系統主要由①水面攝影機、②水下震動感測器、③飼料投餵裝置，和④中控主機防水箱共四個部件組成，各部件功能說明如下：
①水面攝影機：取樣率30 Hz；影像尺寸1,920 × 1,080，用於錄製魚群攝食時水面水花噴濺影像，經中控主機計算得到視覺活動力和環境亮度。
②水下震動感測器：取樣率400 Hz，用於錄製魚群攝食時水下近投餵口處三軸加速度，經中控主機計算得到震動活動力。
③飼料投餵裝置：可裝載80 kg~100 kg乾性飼料，並具備噴料機構，可由中控主機控制，進行人工投餵或智慧、自動化投餵。
④中控主機防水箱：內有可連網中控主機，即時計算魚群攝食時視覺和震動活動力，搭配投餵決策模型控制投餵裝置。
圖一、精準投餵感控系統
投餵決策模型
1. 監督式機器學習
①數據蒐集：團隊在室外養殖池安裝了精準投餵感控系統，蒐集養殖專員23次投餵共21,072筆數據，包含每次投餵的開始時間、結束時間、水面影像和水下震動感測訊號共四種數據。
②人工標記：投餵決策模型在進行訓練前，必須先將數據標上當下的投餵狀態—非投餵期間或投餵期間。
③模型訓練：模型在進行狀態預測前，必須先挑選合適的機器學習方法做訓練。本研究採多決策樹梯度提升方法，逐棵生成樹來修正前棵樹在預測上的誤差，最終形成一個穩健的集成模型。
④模型預測：經多決策樹梯度提升方法訓練後的模型，有效量化了養殖專員多年累積的經驗，可學習模擬養殖專員的投餵決策曲線適時做出判停決策，完成智慧和自動化投餵任務。
2. 模型測試
本研究採監督式機器學習—多決策樹梯度提升方法，蒐集養殖專員17次投餵共15,055筆數據作為訓練集資料進行模型訓練、6次投餵共6,017筆數據作為測試集資料進行模型測試。模型的輸入有震動活動力、視覺活動力和環境亮度共三種特徵，輸出為投餵狀態—非投餵期間或投餵期間，如圖六所示---以上為部分節錄資料，完整內容請見下方附檔。
圖六、投餵決策模型
★本文節錄自《工業材料雜誌》467期，更多資料請見下方附檔。