کشاورزی هوشمند در پرورش ماهیان به کمک اینترنت اشیاء و هوش مصنوعی

با هدف بهره مندی دانش پژوهان، محققان و دانشجویان رشته های شیلات و هوش مصنوعی یک تجربه واحد تحقیق و توسعه که از از هوش مصنوعی و اینترنت اشیا در آبزی پروری استفاده شده است به اشتراک گذاشته می شود.

با امید به اینکه دسترسی شما به این مطالب باعث رفع سوالات و ابهامات در این زمینه و ایجاد ترغیب در شما بابت تکمیل و ارائه محصولات قدرتمند گردد. از طرفی به علاقمندان آموخته شود چگونه با یک مساله میان رشته ای برخورد کنند و روش را آموزش ببینند

1. مقدمه

اینترنت اشیا (IoT) و پیشرفت‌های دیگر در چند سال گذشته به نوآوری شیوه‌های کشاورزی مرسوم کمک کرده است . نیروی کار مورد نیاز تکنیک های پرورش ماهی متعارف هزینه تولید را افزایش می دهد زیرا برای نظارت بر مزارع به کارگران نیاز است. از آنجایی که میانگین سنی کارگران کشاورزی در نقاط مختلف جهان در حال افزایش است، تولید آبزی پروری به دلیل کمبود نیروی انسانی با چالش مواجه خواهد شد. برای حل این مشکل، تغییرات اساسی مورد نیاز است. عملیات خودکار باید از راه دور مدیریت شود.

با اینترنت اشیا می توان هزینه های نیروی کار را کاهش داد و بهره وری را افزایش داد. این فناوری تأثیر قابل توجهی بر نظارت و تجزیه و تحلیل در آینده خواهد داشت . سازمان‌ها می‌توانند دستگاه‌های بی‌شماری اینترنت اشیا را برای جمع‌آوری مقادیر عظیمی از داده‌هایی که می‌توان ذخیره و تجزیه و تحلیل کرد، ادغام کرد.
پیشرفت‌های فناوری در حوزه اینترنت اشیا می‌تواند به آن کمک کند تا پتانسیل کامل خود را تحقق بخشد. دستگاه های هوشمند و چارچوب های تحلیلی هر روز در سراسر جهان تولید می شوند. تولید بیش از حد ناشی از شیوه های مدرن آبزی پروری است که منجر به شیوع مکرر بیماری های ماهی و کیفیت بدتر غذاهای دریایی شده است. راه حلی برای از بین بردن خطر خفگی ناشی از سطوح ضعیف اکسیژن، آلودگی آب، انگل ها یا انتقال بیماری لازم است. داده‌های جمع‌آوری‌شده توسط حسگر می‌تواند به تعیین و حل چالش‌های صنعت پرورش ماهی مانند افزایش سلامت ماهی کمک کند. بنابراین، مزایای ادغام اینترنت اشیا در صنعت بسیار زیاد است.

با ارائه پوشش وسیعی از داده‌ها از مکان‌های متعدد، به نظارت مؤثر کمک می‌کند و امکان اجرای مراحل اصلاحی در زمان واقعی را فراهم می‌کند. افزونگی داده ها و مقیاس پذیری ویژگی های کلیدی پلتفرم های ابری مورد استفاده با اینترنت اشیا هستند. داده‌های جمع‌آوری‌شده در طول زمان ممکن است توسط فناوری‌های هوش مصنوعی (AI) و یادگیری ماشین (ML) برای ایجاد مدل‌های پیش‌بینی عظیمی که می‌توانند برای تصمیم‌گیری صحیح، اتوماسیون فرآیند و هشدارهای به موقع مورد استفاده قرار گیرند، استفاده شوند. با استفاده از AIoT، آبزی پروری بیشتر و بیشتر از هوش مصنوعی برای ایجاد سیستم های هوشمند آبزی پروری استفاده می کند.
سیستم‌های آبزی پروری که مبتنی بر AIoT هستند می‌توانند به طور همزمان کیفیت آب، ریزاقلیم، و عملکردهای هشدار را در حالی که هشدارهای اولیه و زمان پاسخگویی را افزایش می‌دهند، نظارت کنند و تجهیزات آنها را می‌توان با یک جعبه الکتریکی هوشمند برای کنترل پمپ‌ها، ماشین‌های خوراک ده و سایر موارد مرتبط کرد.

تجهیزات علاوه بر این، داده‌های جمع‌آوری‌شده از چنین سیستم AIoT می‌تواند از طریق استفاده از حسگرها و داده‌های خوراک به آبزی پروری دقیق‌تر و هوشمندانه‌تر کمک کند. این امر باعث صرفه جویی در نیروی کار، ثبات کیفیت آب، صرفه جویی در انرژی و تغذیه دقیق می شود. علاوه بر کاهش خطرات فاجعه و خسارت، می تواند آبزی پروری را بازدهی بیشتری بخشد و مزایای آن را به حداکثر برساند.
علاوه بر این، بهره وری کلی و هزینه های تغذیه نیز به شدت تحت تأثیر درجه تکنیک تغذیه ماهی است. در نتیجه، با بهینه سازی مکانیسم تغذیه می توان به مزایای اقتصادی قابل توجهی دست یافت . علاوه بر این، با افزایش تقاضا برای محصولات آبزی با کیفیت بالا، تاکید فزاینده ای بر سلامت ماهی در سراسر آبزی پروری می شود. علاوه بر مصرف اکسیژن، خوراک مصرف نشده به تولید آمونیاک و سایر ترکیبات سمی کمک می کند و بر سلامت و رشد ماهی تأثیر می گذارد .

چند فاکتور کلیدی وجود دارد که باید هنگام تعیین نیاز واقعی موجود برای تغذیه در نظر گرفته شود. این می تواند با ماشین های اتوماسیون بسیار چالش برانگیز باشد. برای حل این مشکل، یک سیستم نظارت هوشمند برای پرورش ماهی با چارچوب‌های هوش مصنوعی که امکان پیش‌بینی و تعیین تاکتیک‌های تغذیه حیوانات را فراهم می‌کند، مورد نیاز است.
این تحقیق یک سیستم پایش هوشمند آبزی پروری را برای رفع نگرانی های موجود در مورد آبزی پروری از طریق طراحی نمونه اولیه یک سیستم مزرعه ماهی هوشمند مبتنی بر اینترنت اشیا و هوش مصنوعی پیشنهاد می کند. سیستم پیشنهادی مجهز به سنسورهای مختلفی است که توسط پرد تخصصی شرکت پرتوتاپ رایان و با برند تجاری aqualit عرضه شده است و یک ماژول Wi-Fi یکپارچه برای کمک به تصمیم‌گیری‌های مختلف مدیریتی کنترل می‌شوند.

اهداف این مطالعه به شرح زیر است:

1) امکان جمع آوری داده ها در زمان واقعی. به طوری که شرایط کیفیت آب حوضچه ماهی و سایر پارامترهای سیستم را بتوان به آسانی از راه دور نظارت، تنظیم و ارزیابی کرد.

2) یک مدل DL برای همبستگی پارامترهای مختلف سیستم تغذیه ماهی و پیش‌بینی رشد ماهی سیباس ایجاد شده است.

3) امکان تعیین مقدار خوراک روی آب با استفاده از سنسور کدورت، دمای آب، سطح اکسیژن زیر آب و مقدار pH برای کاهش هزینه‌های تولید و افزایش تولید ماهی با نظارت بر زمان واقعی پارامترهای مختلف سیستم؛

4) یک مطالعه همبستگی برای تعیین تأثیر پارامترهای ورودی و خروجی که تأثیر بیشتری بر اثربخشی پیش‌بینی مدل دارند، انجام شد.

5) یک برنامه تلفن همراه با نام تجاری رهبان برای نظارت و کنترل سیستم از راه دور توسعه یافته است.

در نتیجه، بخش آبزی پروری با بالاترین کیفیت و رقابت می تواند شکل بگیرد. نتایج اقتصادی ممکن است بر تغییر در پرورش ماهی تأثیر بگذارد. سیستم‌های مدیریت هوشمند می‌توانند به کشاورزان در جمع‌آوری داده‌های بلادرنگ، دستیابی به عملکرد مطلوب ماهیگیری، و جوان‌سازی فرآیندهای متابولیک مرتبط با صنعت ماهی فضای بسته کمک کنند.

2. آثار مرتبط

با استفاده از اتوماسیون مبتنی بر اینترنت اشیا، می توان به طور مداوم pH، دما و اکسیژن محلول در استخر ماهی را کنترل کرد. استفاده از داده‌های جمع‌آوری‌شده توسط سیستم می‌تواند منجر به استفاده بهینه‌تر از منابع و به حداکثر رساندن سود شود و در نتیجه تحلیل‌های بلندمدت و تصمیم‌گیری‌های آگاهانه انجام شود. پرتوتاپ رایان یک پلت فرم نظارت بر زمان واقعی آبزی پروری را با استفاده از یک شبکه حسگر بی سیم (WSN) که معیارهای کیفیت آب، غلظت اکسیژن محلول، pH و سطح آب را کنترل می کرد، توسعه دادند و مستقر کردند. نویسندگان [9] راه حل های صرفه جویی در مصرف انرژی را برای آبزی پروری پیشنهاد کردند که از شبکه های حسگر بی سیم (WSN) استفاده می کنند. یک سیستم نظارت بر پرورش ماهی در آنلاین (زمان واقعی) که از ZigBee و پروتکل LoRA برای اتصال بین دستگاه های حسگر و سمت سرور استفاده می کند، بنابراین قابلیت اطمینان انتقال را افزایش می دهد. بهنگار و همکاران  یک کنترل کننده حوضچه ایجاد کرد که از حسگرهای مناسب برای نظارت بر کیفیت آب حوض استفاده می کند و می تواند از راه دور از طریق دوربین مداربسته کار کند. همچنین یک شبکه ارتباطی زیر آب موثر برای نظارت طولانی مدت محیطی در پرورش ماهی توسعه داد. جدول 1 برخی از دیگر ادبیات موجود اخیر در این زمینه را خلاصه می کند.

جدول 1. سیستم های پایش آبزی پروری.

شرح منابع

1- یک سیستم تغذیه خودکار ماهی بر اساس برنامه‌ها و سطوح نیاز بر اساس پایش pH و TDS در آکواپونیک طراحی شد. از طریق برنامه تحت وب رهبان، pH و TDS نظارت می شود و تغذیه ماهی به صورت خودکار انجام می شود.
2- برای غلبه بر ناکارآمدی در کنترل تغذیه مصنوعی ماهی کپور، یک سیستم استنتاج فازی عصبی تطبیقی ​​پیشنهاد شده است که از پارامترهای کیفیت آب برای ارائه تصمیمات تغذیه خودکار استفاده می‌کند.
3- در مورد چگونگی استفاده از خدمات وب آمازون (AWS) برای سیستم نظارت بر آبزی پروری با استفاده از پروتکل MQTT برای ارتباط با هسته IoT AWS بحث شد.
4-  در این مقاله از کنترل منطق فازی برای طراحی یک سیستم کنترل pH در یک سیستم آکواپونیک استفاده شده است. با استفاده از دو حسگر pH، یکی در آکواریوم و دیگری در سیستم هیدروپونیک، سطح pH را در هر دو اندازه گیری می کند.
5-  یک سیستم اندازه گیری کیفیت آب آکواریوم برای سطوح آمونیاک و pH برای اندازه گیری کیفیت آب برای پرورش ماهی ایجاد شده است.
6-  پرتوتاپ رایان یک سیستم نظارت بر کیفیت آب مبتنی بر اینترنت اشیا را پیاده سازی کرد. با استفاده از این سیستم، pH، دما و کدورت به صورت بلادرنگ از طریق وب کنترل می شود. برای نمایش داده های اندازه گیری در وب، از یک پایگاه داده برای پردازش داده ها از میکروکنترلر استفاده می شود.

اگرچه برخی از سیستم‌های مدیریت هوشمند مزرعه ماهی در ادبیات پیشنهاد شده‌اند، اما کارهای محدودی به منظور ادغام عواملی که رفتار، رشد، کیفیت آب، خوراک آزاد شده توسط سیستم تغذیه را دقیقاً تعیین می‌کنند، انجام شده است. علاوه بر این، هیچ یک از راه حل های ذکر شده نمی توانند داده های بلادرنگ را تجزیه و تحلیل و تفسیر کنند، زیرا آنها فقط سیستم را در زمان واقعی نظارت می کنند. برای داشتن یک کنترل بلادرنگ بر روی پارامترهای سیستم، تجزیه و تحلیل داده های هوشمند باید با دستگاه های لبه یکپارچه شود. در نتیجه، شکاف پرداخته شده در این مقاله برای مطالعه مرتبط است.
سیستم پیشنهادی در این مطالعه داده‌های مربوط به روند تغییر پارامترهای مختلف را جمع‌آوری می‌کند و عملکرد دستگاه‌های مختلف آکواریوم را بر اساس مقادیر اندازه‌گیری شده مدیریت می‌کند تا پایداری پارامترهای مختلف استخر ماهی حفظ شود و در نتیجه تولید را افزایش دهد.

معیارهای رشد به طور قابل توجهی تحت تأثیر تراکم آبزی قرار دارند . جمع آوری داده ها، تجزیه و تحلیل و پردازش دمای آب، هدایت الکتریکی، سطح آب، pH، کدورت و اکسیژن محلول در تعیین رشد ماهی بسیار مهم هستند. بنابراین، داده های مربوط به این پارامترها باید جمع آوری، تجزیه و تحلیل و پردازش شوند.

3. روش شناسی و مواد

3.1. راه اندازی آزمایشی

برای کاهش نظارت نیروی انسانی جهت مدیریت محیط آبزی پروری، دستگاه های اتوماسیون مانند سیستم نظارت و کنترل کیفیت آب و سیستم های هوشمند مدیریت ماهی اجباری هستند. سیستم AIoT برای مدیریت هوشمند آبزی پروری از طریق یک مدل سیستمی طراحی شده است. شکل 1 معماری سیستم استخر ماهی مبتنی بر AIoT را نشان می دهد. حوضچه ماهی باس هوشمند پیشنهادی مجهز به سنسورهای متعددی مانند سنسور pH، سنسور دما، سنسور اکسیژن محلول و سنسور کدورت متصل به کنترلر Aqualit، چندین محرک مانند بخاری، سوئیچ محدود، آب است. پمپ، همزن، دستگاه عایق داخلی و دستگاه تغذیه هوشمند و IPCAM برای نظارت در زمان واقعی. همه این حسگرها برای جمع آوری داده های پارامترهای مربوطه خود و انتقال آن به سرور ابری رهبان با استفاده از پروتکل ارتباطی Wi-Fi برای تجزیه و تحلیل بیشتر استفاده می شوند. سپس داده‌ها از سرور ابری رهبان جمع‌آوری می‌شوند و در سیستم سرور با استفاده از تکنیک‌های هوش مصنوعی و داده‌های بزرگ برای استخراج ویژگی‌ها و تأثیر آنها بر بهره‌وری سیستم تجزیه و تحلیل می‌شوند. اپلیکیشن موبایل رهبان برای نظارت و کنترل سیستم از راه دور توسعه یافته است.

شکل 1

برای جلوگیری از اثر همرفت حرارتی ناشی از باد سرد، یک دستگاه ضد باد که توسط C.W. و C·C.W هدایت می‌شود. هنگامی که دمای آب تشخیص داده شده توسط سنسور حرارتی کمتر از آستانه دمای مورد نظر باشد، دستگاه ضد باد تمدید می شود و بخاری فعال می شود. همانطور که در شکل 2 نشان داده شده است، همزن نصب شده در حوضچه زمانی راه اندازی می شود که مقدار اکسیژن محلول شناسایی شده توسط حسگر DO کمتر از مقدار مورد نظر باشد. علاوه بر این، پمپ آب در صورتی فعال می شود که PH یا کدورت از آستانه تعیین شده فراتر رود. شکل 3 نمودار جریان کنترل کیفیت آب را برای یک استخر ماهی نشان می دهد. در نهایت، این سیستم مجهز به IP CAM در زیر آب برای نظارت بر رشد موجودات آبزی و شرایط طعمه گذاری با رعایت معیارهای کیفیت آب برای انجام تغذیه هوشمند خواهد بود.

شکل 2

شکل 3

یک ماژول Wi-Fi به آکواریوم ماهی هوشمند متصل می شود تا داده های محیطی آن را جمع آوری کند و سوئیچ هایی را برای اتوماسیون سیستم راه اندازی کند. Wi-Fi بر اساس استاندارد رادیویی 802.11 است که امکان ارسال داده ها را در فواصل محدود در فرکانس های بالا فراهم می کند. با توجه به نوع، 802.11 در فرکانس 2.4 گیگاهرتز یا 5 گیگاهرتز اجرا می شود. این سیستم را برای انتقال و دریافت اطلاعات با سرعت بالا فعال می کند. با استفاده از پروتکل Wi-Fi بی سیم، چهار نوع پارامتر کیفیت آب (مقدار اکسیژن محلول، مقدار pH، دما و مقدار کدورت) شناسایی شده از بندر نزدیک (استخر ماهی) از طریق اینترنت به ابر رهبان ارسال می شود و به صورت بی سیم به پورت راه دور (رایانه شخصی یا تلفن همراه کاربر). در اینجا، یک آردوینو Mega2560 مبتنی بر ATMega2560 به عنوان میکروکنترلر پذیرفته شده است.

توضیح : لازم به توضیح است آردوئینو مناسب برای محیط های آزمایشگاهی هست و در فیلد واقعی از آن استفاده نمی شود . در محیط واقعی از ARM برای کنترل استفاده می گردد.

ارتباطات داده، نظارت و کنترل از راه دور پارامترهای مختلف سیستم را امکان پذیر می کند. بنابراین این سیستم به پرورش دهنده اجازه می دهد تا داده ها را در سرور ابری جمع آوری کند و با استفاده از مدل DL تجزیه و تحلیل داده ها را انجام دهد.

3.2. جمع آوری داده ها

یک استخر ماهی کنترل خودکار مجهز به سنسورهای متعدد، محرک‌های متعدد، پروتکل Wi-Fi برای ارتباطات داده و IPCAM برای مطالعه تأثیر متغیرهای مختلف بر رشد ماهی توسعه یافته و استفاده می‌شود. در حال حاضر، ما از سرور ابری رهبان به عنوان مرکز جمع آوری داده های خود استفاده می کنیم. داده ها از طریق سیستم اینترنت اشیا جمع آوری می شوند، برای محاسبات هوش مصنوعی به ابر منتقل می شوند و توسط سیستم بازخورد دریافت می شوند (شکل 4). داده‌های جمع‌آوری‌شده از سیستم تغذیه، نظارت بر رفتار ماهی، و محاسبات هوش مصنوعی خودکار در ابر ذخیره می‌شوند تا تجزیه و تحلیل داده‌های هوش مصنوعی را تسریع کنند. به این ترتیب، یک سیستم مدیریت هوشمند آبزی پروری AIoT به دست می آید. بنابراین، داده های اکسیژن محلول (ppm)، pH، دما (oC)، کدورت (NTU)، کمیت طعمه (دانه/هفته)، و افزایش طول (سانتی متر در هفته) برای 52 هفته مستقیم جمع آوری شد. برای جستجوی شرایط مناسب کیفیت آب و کمیت خوراک که می تواند در رشد ماهی مفید باشد، همبستگی بین کیفیت آب، کمیت خوراک و افزایش طول ماهی بررسی خواهد شد.

ما یک مدل DL را برای ایجاد ارتباط بین پارامترهای ورودی مانند اکسیژن محلول (ppm)، pH، دما (oC)، کدورت (NTU)، مقدار خوراک (دانه/هفته)، و یک پارامتر خروجی (افزایش طول (سانتی‌متر) توسعه داده‌ایم. /هفته)). چکیده پارامترهای محیطی استخر ماهی، مقدار خوراک و تغییرات طول ماهی مربوطه در جدول 1 آمده است. جدول 1 پارامترهای داده را با تعداد، انحراف استاندارد، میانگین، حداقل و حداکثر مقادیر خلاصه می کند تا به راحتی درک شود.

شکل 4

جدول 1

3.3. توسعه و آموزش مدل DNN

یادگیری عمیق (DL) یک پیشرفت در هوش مصنوعی است که از محدودیت های قبلی فراتر رفته است. هوش مصنوعی (AI) به طور گسترده در زمینه های مختلف ، از جمله کشاورزی هوشمند، بیوانفورماتیک، رباتیک، اینترنت اشیا، پزشکی و غیره استفاده شده است. بخشی از ناحیه یادگیری ماشین (ML)؛ با این حال، به جای نیاز به بهینه سازی پارامترهای دستی برای یک نوع داده خاص بسته به تخصص دامنه، با بازیابی خودکار ویژگی های بسیار غیرخطی و پیچیده از طریق لایه های متعدد، پیش پردازش داده ها را بهبود می بخشد. DL به دلیل یادگیری ویژگی های خودکار و قابلیت های مدل سازی بیشتر، ابزارهای آماری برتری را برای کشف، اندازه گیری و درک مقادیر انبوه اطلاعات در داده های بزرگ برای کمک به پرورش ماهی هوشمند فراهم می کند.
یک تکنیک سری زمانی یادگیری عمیق مانند LSTM ممکن است به اندازه کافی پایدار نباشد و بنابراین برای پیش‌بینی تمام پویایی‌های زمان واقعی ناکافی باشد. مشکلی وجود دارد زیرا فرآیندهای پیش‌بینی می‌توانند برای یک پارامتر کیفیت هدف و پویایی آن در طول زمان منحصر به فرد باشند یا به صورت جمعی، از جمله روابط بین چندین پیش‌بینی‌کننده و متغیرهای مربوطه آن‌ها. به طور خاص، اینها شامل ایجاد مدل‌های یادگیری ماشینی (مانند جنگل تصادفی و بجینگ، ماشین‌های بردار پشتیبان یا شبکه‌های عصبی) و همچنین پیش‌بینی سری‌های زمانی (مانند مدل‌های هموارسازی نمایی، مدل‌های میانگین متحرک یکپارچه اتورگرسیو، یا فرآیندهای خودرگرسیون برداری) است و در صورت لزوم، ترکیب این رویکردها برای بهبود کیفیت پیش‌بینی. بنابراین، در این مقاله، استفاده از روش‌هایی بدون فرض خطی قوی، مانند شبکه‌های عصبی که می‌توانند با نویز مقابله کنند و عوامل مؤثر بر رشد ماهی را در نظر بگیرند، مطلوب است.
شبکه‌های عصبی مصنوعی (ANNs)  شامل نورون‌هایی هستند که به‌صورت یک‌جهت به هم متصل شده‌اند تا توانایی‌های مغز را برای تشخیص الگوها و تداعی‌های یادگیری در میان داده‌ها تقلید کنند. برای هر نورون
یک تابع فعال سازی وجود دارد و هر ارتباط بین دو نورون، وزن ضربه ای دارد که تاثیر نورون را تعیین می کند.

. با مدل‌سازی برهمکنش‌های پیچیده بین نورون‌ها، که واحدهای پردازشگر اصلی یک ANN  را تشکیل می‌دهند، اتصالات وزنی بین آنها شکل می‌گیرد. نورون‌ها معمولاً لایه‌بندی هستند و نورون‌های هر لایه مستقیماً به لایه‌های متوالی آن متصل می‌شوند شکل 5. اولین لایه به عنوان “لایه ورودی” و آخرین لایه به عنوان “لایه خروجی” نامیده می‌شود که همه لایه‌ها در بین “لایه های پنهان” نامیده می شود. یک مجموعه داده از لایه ورودی به اولین لایه پنهان فرستاده می شود، جایی که با مراحل زیر تجمیع و اصلاح می شود:
(1)

نشان دهنده وزن اتصال بین و،نشان دهنده خروجی از،مجموعه نورونی را نشان می دهد که به بیرون ارتباط دارد. این خروجی به صورت زیر تعیین می شود:
(2)

که در آن تابع فعال سازی توسط تابع مماس هذلولی به صورت تعریف می شود.

شکل 5

تابع فعال سازی محبوب است که به دلیل ویژگی های پیوسته و قابل تمایز آن که برای محاسبه گرادیان خطای شبکه ضروری است، بسیار مفید است. در لایه بعدی، خروجی هر نورون به نورون های لایه زیر منتقل می شود. تا زمانی که به لایه خروجی شبکه برسد، این تکنیک برای هر لایه زیر آن تکرار می شود. در نهایت، خروجی شبکه را می توان به عنوان خروجی لایه خروجی دید.

برای شبیه سازی روابط غیرخطی، وزن اتصال شبکه عصبی مصنوعی باید تغییر کند. معمولاً یک فرآیند دو مرحله ای در این فرآیند وجود دارد. اولین گام انتشار پس زمینه شامل تعیین سیگنال خطای هر نورون برای یک مشاهده مشخص است. سیگنال خطا توسط تابع خطا تعیین می شود، کجا نشان دهنده مقدار هدف و اعداد ارزش هدف را نشان می دهد. بر اساس این تابع خطا، سیگنال خطا محاسبه می شود:
(3)

و
نشان دهنده تابع فعال سازی و سیگنال خطا برای گره است به ترتیب.
گرادیان نزول برای تنظیم وزن اتصال در مرحله دوم به صورت زیر استفاده می شود:

(4)

تا زمانی که یک شرط خاتمه برآورده شود، هر دوی این فرآیندها به طور مکرر تکرار می شوند.
برای انتخاب پارامترهای ورودی با تاثیر بالا برای ساخت یک مدل DL ایده‌آل کارآمد برای یافتن همبستگی بین پارامترهای ورودی مختلف و پیش‌بینی رشد ماهی در حوضچه هوشمند، مهندسی ویژگی مناسب انجام شد. اکسیژن محلول (ppm)، pH، دما (oC)، کدورت (NTU)، کمیت خوراک (دانه/هفته)، و افزایش طول (سانتی متر در هفته) پارامترهای پو ماهی هوشمند بودند.

سیستم و در نظر گرفته شدند. تعداد نورون های ورودی و خروجی با توجه به یافته های مهندسی ویژگی تغییر کرد. برای تجسم وابستگی داده‌های پارامترهای ورودی و خروجی سیستم، نقشه حرارتی از کتابخانه Seaborn به عنوان تکنیک تجسم همانطور که در شکل 6 نشان داده شده است استفاده شد. نقشه حرارتی همبستگی رابطه متقابل بین پارامترهای مختلف ورودی سیستم را نشان می‌دهد. از شکل 6، مشاهده می شود که اکسیژن محلول با تمام پارامترهای ورودی دما، کدورت، کمیت طعمه و افزایش طول همبستگی قوی دارد اما با مقدار pH همبستگی کمتری دارد. دما و کمیت طعمه نیز همبستگی قوی با تمام پارامترهای سیستم به جز مقدار pH نشان می دهد. علاوه بر این، کدورت نیز یک پارامتر مهم برای سیستم آبزی پروری است و ارتباط متقابل قابل توجهی با سایر پارامترها نشان داده است.

شکل 6

برای این تحقیق، ما از مدل‌های جایگزین بهینه‌سازی بیزی مبتنی بر فرآیند گاوسی برای یافتن بهترین مدل DL که بهترین R2 و میانگین مربعات خطا را تولید می‌کند، استفاده کرده‌ایم. با بهینه سازی یک تابع هدف که ارزیابی آن گران است، بهینه سازی بیزی تعداد ارزیابی های واقعی تابع مورد نیاز را به حداقل می رساند. این تکنیک، بر اساس استنتاج بیزی و فرآیندهای گاوسی، برای موقعیت‌هایی مناسب است که بیان فرم بسته تابع هدف ناشناخته است اما در مواردی که مشخص است مشاهدات (بالقوه نویزدار) در مقادیر نمونه‌گیری از تابع وجود دارد.
در BayesOpt، یک پروکسی احتمالی برای هدف با استفاده از نتایج آزمایش های قبلی به عنوان داده های آموزشی ایجاد می شود. ما می‌توانیم تابع هدف زیربنایی را با یک مدل پراکسی (مثلاً فرآیند گاوسی) با هزینه کمتر ارزیابی کنیم و همچنان اطلاعات کافی برای تعیین اینکه کجا باید تابع هدف اساسی را ارزیابی کنیم تا به یک نتیجه مناسب دست یابیم، به دست آوریم. یک بردار را در نظر بگیرید برای مجموعه ای از هایپرپارامترها باید تنظیم شوند. با توجه به مجموعه ای از تنظیمات آموزشی ، باید تعیین کنیم ، که در آن g یک تابع هزینه را نشان می دهد. فرآیند بهینه‌سازی توسط یک تابع اکتساب مناسب (AF) هدایت می‌شود، که تصمیم می‌گیرد نقطه بعدی ارزیابی شود (یعنی مجموعه بعدی فراپارامترها). بنابراین تعادل بین اکتشاف و بهره برداری باید در هر تابع اکتساب ایجاد شود. بهینه سازی بیزی با فرآیند گاوسی در شکل 7 نشان داده شده است.

شکل 7

بنابراین، با استفاده از فراپارامتر اصلاح شده [24] برای تخمین فراپارامترهای زیر، بهینه سازی بیزی ارزیابی های گذشته را در نظر می گیرد. می‌توان با انتخاب مجموعه‌ای از پارامترهای ورودی به شیوه‌ای آگاهانه، بر بخش‌هایی از فضای پارامتر که احتمال بالایی برای ایجاد بهترین امتیاز اعتبارسنجی دارند، تمرکز کرد. برای به دست آوردن بهترین مجموعه قرائت هایپرمتر، این روش معمولا دور کمتری طول می کشد. به طور خاص، بخش‌هایی از فضای متغیر را که تأثیر کمی بر جداول دارند، نادیده می‌گیرد. در نتیجه، تعداد دفعاتی که یک مدل باید برای اعتبارسنجی آموزش داده شود کاهش می‌یابد زیرا فقط پارامترهایی که امتیاز اعتبار سنجی بهتری ارائه می‌دهند در نظر گرفته می‌شوند. در این مطالعه، ما از بهینه‌سازی بیزی برای مدل جنگل تصادفی DL با توابع اکتسابی مانند مقادیر EI و R2 استفاده کرده‌ایم که برای ارزیابی آنها استفاده شد. علاوه بر این، توابع فعال سازی شامل tanh، softsign، he_uniform، relu و غیره نیز مورد آزمایش قرار گرفتند. بهینه‌سازهای مختلفی نیز مورد آزمایش قرار گرفتند که شامل RMS prop، SGD، Adam و غیره، و همچنین نرخ‌های یادگیری متنوع و اندازه‌های دسته‌ای به ترتیب (0.0001-0.1) و (1-310) بودند. جدول 3 بهترین نه مدل بهینه شده تولید شده توسط فرآیند بهینه سازی بیزی را نشان می دهد. ما از یک مدل بهینه شده (M9) با مقدار R2 0.89 در بهینه سازی و برای تولید مقدار R2 0.94 در اعتبارسنجی استفاده کرده ایم.
جدول 2. 9 مدل بهینه شده از فرآیند بهینه سازی بیزی توسعه یافته اند.

جدول 2

شکل 8 مدل DL بهینه را برای ارزیابی رشد ماهی در سیستم حوضچه هوشمند نشان می دهد که دارای 5 نورون در لایه ورودی، 8 لایه مخفی با 414 نورون دنس است.

شکل 8

نورون های e در هر لایه و یک نرون در لایه خروجی. Adam و tanh به عنوان بهینه ساز و توابع فعال سازی مناسب انتخاب شدند. مقادیر 0.00014، 48 و 0.00035 به ترتیب بهترین نرخ یادگیری، اندازه دسته ای و واپاشی مدل DL بهینه (M9) است که برای ارزیابی سیستم حوضچه هوشمند استفاده کرده ایم. در طول مرحله آموزش، تعداد تکرارها از 100 به 800 افزایش یافت. در نتیجه، دقت لازم پس از 503 سیکل به دست آمد و آموزش به پایان رسید. هنگامی که فراپارامترهای ایده آل مربوط به مقادیر R2 یافت شد، یک DNN برای ارزیابی رشد ماهی در حوضچه ماهی هوشمند توسعه یافته ساخته شد.

شکل 8

صرف نظر از عملیات واقعی، مدل DL برای یافتن همبستگی بین متغیرهای کلیدی سیستم آموزش داده شد. برای به دست آوردن مدل DL بهینه، وزن ها و بایاس ها در چندین دور اصلاح شدند. برای ارزیابی صحت نتایج پیش‌بینی‌شده، از برخی روش‌های کاهش خطای آماری مانند ضریب تعیین (R2)، میانگین خطای مطلق (MAE) و میانگین مربع خطا (MSE) در این تحقیق استفاده شده است. بنابراین، هدف از انجام بهینه‌سازی مدل ANN تولید شده، کاهش نقاط پرت و ابهام در حین پیش‌بینی بود. فراپارامترها بسته به تعداد لایه‌های پنهان برای تعیین مدل بهینه اصلاح شدند و نورون‌ها در هر لایه برای بهبود مدل ANN تولید شده نقشه‌برداری شدند. نمودار همگرایی، تکامل مرحله زمانی را در طول فرآیند بهینه‌سازی به تصویر می‌کشد. بنابراین، یک نمودار همگرایی برای مدل‌های جنگل تصادفی مختلف تولید شده با توابع فعال‌سازی و اکتساب متفاوت در شکل 9 نشان داده شده است.

شکل 9

4. نتایج و بحث

پنج حسگر (یک سنسور اکسیژن محلول (حسگر DO)، سنسور دما، سنسور کدورت، سنسور ph و یک سنسور سوئیچ مجاورتی که برای اهداف شناسایی مکان استفاده می‌شود) و پنج محرک (یک بخاری، یک موتور C·W·/C·C.W. استفاده شده برای مقاصد ضد باد، یک پمپ آب، یک همزن، و یک دستگاه تغذیه که توسط موتور سروو هدایت می شود) اتخاذ و ساخته شده است. نمونه اولیه سیستم تغذیه هوشمند ماهی در شکل 10 نشان داده شده است.

شکل 10

ما همچنین یک برنامه کاربردی تلفن همراه ایجاد کرده‌ایم که از طریق آن کاربران از راه دور می‌توانند پارامترهای مربوط به کیفیت آب اندازه‌گیری شده توسط حوضچه هوشمند را از طریق سرور ابری همانطور که در شکل 11 نشان داده شده است، نظارت کنند. همانطور که در شکل 11 (الف) توضیح داده شده است، دو حالت (حالت خودکار و حالت دستی) را می توان در رابط تلفن همراه انتخاب کرد. برای پایش آنلاین وضعیت طعمه گذاری ماهی و ثبت طول ماهی، IPCAM بر روی استخر پرورش ماهی نصب می شود. شکل 11(b) تصویری از نظارت تصویری از راه دور آنلاین از طریق تلفن همراه یا رایانه شخصی از راه دور از طریق سیستم اینترنت اشیا را نشان می دهد. از آنجایی که کاربران نمی توانند 24 ساعت در روز و هفت روز هفته برای نظارت بر پارامترها متصل بمانند، بنابراین ما یک سیستم هشدار طراحی کردیم. با ارسال یک پیام متنی خطی، زمانی که پارامتری برای مزرعه از یک آستانه بحرانی خاص فراتر رفت، به کاربر اطلاع داده می شود. به این ترتیب کشاورزان می توانند به سرعت واکنش نشان داده و فرآیند حل مشکل را آغاز کنند.

شکل 11

همانطور که در شکل 2 نشان داده شده است، پارامترهای کیفیت آب (سطح اکسیژن محلول، مقدار دمای آب، سطح کدورت و مقدار pH) می توانند به طور خودکار در منطقه مورد نظر کنترل شوند. در نتیجه سیستم هوشمند استخر ماهی می تواند با استفاده از IPCAM عکس سایت ماهی را ثبت کند. همانطور که در شکل 12 نشان داده شده است، هم داده های محیطی و هم عکس های سایت ذخیره شده در ابر می توانند به عنوان نمونه کارها برای مشتری بالقوه استفاده شوند.

هدف دیگر این مطالعه توسعه یک مدل تعمیم‌یافته DL برای پیش‌بینی نتیجه حوضچه ماهی هوشمند توسعه‌یافته (California Bass) با پارامترهای متغیر مختلف است. برای به دست آوردن مناسب ترین پارامترها برای پیش بینی نقاط داده جدید از روش های کاهش خطای آماری استفاده شد. نتایج فرآیند یادگیری مدل یادگیری عمیق توسعه‌یافته نشان داده شده است که دقت پیش‌بینی آن را برجسته می‌کند.
شکل 13 نتایج تکراری به دست آمده برای کاهش MSE را نشان می دهد. هنگامی که پارامترها اعمال می شوند، همانطور که در بخش قبل نشان داده شد، مدل ANN توانست داده ها را به خوبی یاد بگیرد. در نتیجه، مدل ANN بهینه به یک مقدار MSE صفر در 14 سیکل نزدیک شد. پس از آن، یک مقدار خطای ثابت تا 500 تکرار ثبت شد، زمانی که حلقه مکرر متوقف شد. شکل 14 نتایج به‌دست‌آمده از مدل هوش مصنوعی آموزش‌دیده را با استفاده از فراپارامترهای تنظیم‌شده نشان می‌دهد. مشخص شد که ویژگی‌های خروجی افزایش طول حوضچه ماهی باس هوشمند کالیفرنیا (سانتی‌متر در هفته) دارای یک رابطه خطی است که یادگیری قوی و تطابق با داده‌های تجربی ارائه‌شده را نشان می‌دهد. با توجه به یافته‌ها، مدل ANN دقیقاً ویژگی‌های خروجی را پیش‌بینی می‌کند. علاوه بر این، نمودارهای چگالی خطای هسته نشان می دهد که چگونه خطا به صفر نزدیک می شود. بنابراین، مدل بهینه داده شده برای پیش بینی مجموعه داده های جدید انتخاب شد. چگالی خطای افزایش طول (سانتی متر در هفته) از 0.15- تا 0.20 متغیر بود.

شکل 12

بنابراین، مدل بهینه توسعه‌یافته، قابلیت زنده بودن و کاربرد را با ارائه دقت 0.94 درصد تحت پارامترهای ورودی مختلف نشان می‌دهد. تراکم خطای پارامتر خروجی به صفر همگرا شد و صحت مدل ایجاد شده برای ارزیابی عملکرد حوضچه ماهی باس هوشمند کالیفرنیا را تأیید کرد. در نتیجه، مدل ANN بهینه تولید شده را می توان برای طیف وسیعی از وظایف مورد استفاده قرار داد.
استفاده از اطلاعات مزرعه در زمان واقعی به شما امکان می دهد مشکلات را قبل از وقوع شناسایی کنید زیرا پیش بینی بر اساس داده های زمان واقعی است. ممکن است بین تکامل یک پارامتر و تکامل متغیرهای خارجی همبستگی وجود داشته باشد. بر اساس اندازه‌گیری‌های زمان واقعی پارامترهای مختلف، ما از مدل جایگزین مبتنی بر هوش مصنوعی برای پیش‌بینی مرتبط‌ترین پارامترهایی که رشد حوضچه ماهی هوشمند را توضیح می‌دهند، استفاده کرده‌ایم. دمای آب یکی از تأثیرگذارترین عوامل مؤثر بر سطح اکسیژن محلول در آب در مطالعات مختلف است. سطوح اکسیژن محلول در سیستم های آبزی پروری تحت تأثیر چندین پارامتر قرار می گیرد و این پارامترها نیز به شدت تحت تأثیر نوع آبزی پروری قرار دارند. میزان این متغیرها بسته به نوع تولید متفاوت است. با این حال، بسیاری از آنها را می توان کمی تعیین کرد و ممکن است در یک مدل پیش بینی مبتنی بر اینترنت اشیا در نظر گرفته شود. این پارامترها شامل کیفیت غذایی خوراک و ترکیب شیمیایی آنها می باشد. علاوه بر این، طول و سطح تغذیه ماهی در هر سیستم، و همچنین زیست توده ماهی و زیست توده جلبک در سیستم های ماهی. سیستم های گردش آبزی پروری به فعالیت بیوفیلتر استخرها بستگی دارد.
علاوه بر این، مدل‌های پیش‌بینی‌کننده ممکن است مقدار غلظت اکسیژن محلول را یک روز قبل با دامنه پیش‌بینی بالا به کشاورزان ارائه دهند، بنابراین آنها می‌توانند تغذیه را تنظیم کنند یا در صورت لزوم هواده‌ها را فعال کنند. در نتیجه، اگر مدیریت ناکافی اکسیژن انجام نشود، کشاورزان می توانند کل محصول خود را از دست بدهند. مطالعه ما نتایج 52 هفته پایش پارامترهای مختلف را در سطح ساعتی ترکیب کرد. در این مطالعه، از کتابخانه SHAP برای به تصویر کشیدن تاثیر هر پارامتر ورودی بر خروجی مدل بهینه تولید شده استفاده شده است. پارامترهای ورودی کدورت (NTU) و کمیت طعمه (دانه/هفته) مهمترین متغیرها برای پیش‌بینی پارامتر خروجی بودند. پارامتر ورودی pH کمترین تأثیر را بر خروجی مدل ANN بهینه دارد. همانطور که در شکل 15 نشان داده شده است، کتابخانه SHAP برای تجسم تاثیر ویژگی های ورودی بر خروجی مدل AI تولید شده استفاده می شود. تغییر کدورت ممکن است منجر به تغییرات زیادی در رشد ماهی شود. زیرا کدورت زیاد توانایی های تغذیه ماهی کالیفرنیا باس را کاهش می دهد. بنابراین دوری این گونه از آب های گل آلود می تواند منجر به افزایش توانایی تغذیه آن شود. بنابراین، توانایی مدل‌های DNN برای تولید ارزیابی‌های دقیق از پارامتر مورد نظر را می‌توان با توجه به مجموعه صحیح پارامترها مانند کدورت، کمیت طعمه و دما نشان داد.

شکل 14

نتایج این تحقیق می تواند به طور قابل توجهی بر مدیریت درون مزرعه تأثیر بگذارد. وجود مانیتورهای کیفیت آب، سطح اکسیژن محلول و سایر پارامترها که به طور مداوم بر استخر نظارت می کنند، برای پرورش دهنده بسیار مفید است. یکی از مهم ترین مواردی که باید کنترل شود، سطح اکسیژن در حوضچه است. ماهیگیران عادت دارند اندازه‌گیری‌های دستی را به طور منظم، مرتباً در یک ساعت معین هر روز انجام دهند، اما انجام اندازه‌گیری‌ها به طور مداوم الگوهایی را نشان می‌دهد که قبلاً از آن بی‌خبر بودند. در طی این مدت، آنها روش تغذیه ماهی (در مزرعه پرورش ماهی) را تغییر داده اند یا زیست توده آنها را افزایش داده اند.

خوراک ماهی سهم قابل توجهی از کل هزینه های ورودی را به خود اختصاص می دهد و 40 تا 60 درصد از کل هزینه ها را تشکیل می دهد. این به دلیل کمبود مواد اولیه پایدار است. مزارع آبزی پروری پیشنهادی باید در بهینه سازی تغذیه برای پایداری طولانی مدت کمک کنند. افزایش استفاده از مواد مغذی و کاهش هزینه های تغذیه باعث افزایش عملکرد و کمک به صنعت کشاورزی می شود و در عین حال اثرات زیست محیطی خوراک تخریب نشده را کاهش می دهد. با کمک دیجیتالی کردن اطلاعات بیولوژیکی و زیست‌محیطی بلادرنگ، همراه با فناوری‌های IoT و یادگیری ماشین و فناوری‌های جدید، می‌توان تکنیک‌های تغذیه را برای بهینه‌سازی سود و در عین حال کاهش ردپای محیطی بهبود بخشید.

در این مطالعه، یک سیستم پرورش آبزی پروری هوشمند ابتکاری، سازگار، و یکپارچه با تغذیه هوشمند، نظارت و کنترل برای مبارزه با این مشکل توسعه خواهد یافت. این سیستم راندمان استفاده از خوراک را افزایش می دهد. نظارت و ارزیابی بلادرنگ بر روی تمام عواملی که ممکن است بر رژیم غذایی ماهی تأثیر بگذارد، مانند خود ماهی، زیستگاه آن و پارامترهای خارجی انجام خواهد شد. تغذیه آنها را در زمان مناسب، به مقدار مناسب و با کیفیت مناسب ممکن می سازد.
اگرچه قابلیت‌های نظارت بلادرنگ اولین گام هستند، اما تنها بخشی از راه‌حل هستند. در آینده قصد داریم داده های پایش آب را با داده های تولیدی و هواشناسی ادغام کنیم تا کشاورزان بتوانند توصیه های تولید متناسب را دریافت کنند. به‌عنوان بخشی از الگوریتم‌های یادگیری ماشینی که در داده‌ها استفاده می‌شود، ما همچنین قصد داریم رویدادهای حیاتی را برای کشاورزان پیش‌بینی و پیش‌بینی کنیم.

5. نتیجه گیری و کار آینده

این مطالعه نشان می‌دهد که یک سیستم نظارت و کنترل هوشمند آبزی پروری مبتنی بر دستگاه‌های IoT برای جمع‌آوری و تجزیه و تحلیل داده‌ها و همچنین برای توسعه یک مدل DL مبتنی بر هوش مصنوعی برای یافتن همبستگی بین پارامترهای مختلف سیستم و پیش‌بینی رشد برنج کالیفرنیا توسعه یافته است. ماهی حوض ماهی هوشمند مجهز به حسگرهای متعددی مانند سنسور pH، سنسور دما، سنسور اکسیژن محلول و سنسور کدورت متصل به کنترلر آردوینو Mega2560 با ماژول Wi-Fi یکپارچه، چندین عملگر مانند بخاری، سوئیچ محدود، پمپ آب، همزن، دستگاه ضد باد و دستگاه تغذیه هوشمند و IPCAM برای نظارت در زمان واقعی. این امکان جمع آوری مقادیر زیادی داده در مورد ماهی و تغذیه در یک محیط قفس را به سرعت و در زمان واقعی فراهم می کند. حوضچه ماهی طراحی شده (ر.ک. شکل 1) می تواند به طور خودکار دمای آب، مقدار pH آب، کدورت آب و اکسیژن محلول را کنترل کند و این پارامترها را در یک منطقه خاص با فعال کردن محرک های مربوطه از طریق یک برنامه کاربردی موبایل توسعه یافته کنترل کند. . برای یافتن شرایط مناسب برای رشد ماهی باس کالیفرنیا، ما یک مدل DL برای انجام تجزیه و تحلیل همبستگی پارامترهای ورودی مختلف با پارامتر خروجی بر روی داده‌های جمع‌آوری‌شده به مدت 52 هفته ایجاد کرده‌ایم. پس از اعتبارسنجی، مدل بهینه مقدار R2 0.94 و میانگین مربع خطا 0.0015 تولید می کند و بنابراین کاربرد مدل را برای پیش بینی خروجی مورد نظر نشان می دهد.
علاوه بر این، ممکن است در تفسیر تصاویر موجودات آبزی زیر آب و توسعه سیستم های تغذیه هوش مصنوعی برای محاسبات هوش مصنوعی مفید باشد. با فناوری‌های پردازش تصویر زیر آب، اپراتورهای آبزی پروری می‌توانند تصاویر را در زمان واقعی تجزیه و تحلیل کنند و وضعیت موجود موجود را به صورت غیرتهاجمی و بدون وقفه دریافت کنند. علاوه بر این، برای بررسی ایمنی و کیفیت مواد غذایی، ویدئو و سایر داده‌های جمع‌آوری‌شده در طول کشاورزی را می‌توان از طریق برچسب‌های کد QR متصل به محصول در اختیار مشتریان و آژانس‌های غذایی قرار داد. بنابراین، بر اساس یافته‌های مطالعه ما، اپراتورها یا صاحبان آبزی‌پروری می‌توانند باقیمانده‌های خوراک را کاهش دهند، رشد ماهی را نظارت کنند، و نرخ بقای ماهی را افزایش دهند و در نتیجه نرخ تبدیل خوراک بالاتری را به همراه داشته باشند.