TWM587896U

TWM587896U - 智慧養殖系統

Info

Publication number: TWM587896U
Application number: TW108210620U
Authority: TW
Inventors: 黃英哲; 洪慶章; 張雲南
Original assignee: 國立中山大學
Priority date: 2019-08-12
Filing date: 2019-08-12
Publication date: 2019-12-21

Abstract

本新型提出一種養殖系統，包括養殖池、投餌機、攝影機與控制器。攝影機設置於養殖池當中，用以擷取水下影像。控制器根據水下影像計算出飼料剩餘量，並根據飼料剩餘量控制投餌機投入飼料至養殖池當中。

Description

智慧養殖系統

本新型是有關於一種智慧養殖系統，可以自動地投餌。

目前的水產養殖技術中，雖然已有專用的餵食設備，但其只有簡單的啟動、關閉、及流量控制等功能，習知的餵食設備仍必須仰賴人員去開啟餵食、停止、或調節飼料的流量等。當用人力來餵食時，最大的挑戰即是混濁的養殖池水質。蝦隻的成長好壞取決於餵食的飼料數量與時間點，然而混濁的水質讓漁民幾乎無法以肉眼判斷蝦隻的健康情況，很容易造成過度餵養蝦群，導致水中殘留過多的殘餌與排泄物，使水質更加惡化。此外，不良的水質將增生細菌，進而使蝦隻生病，導致全池覆沒。

根據調查，76%的台灣受訪者已計畫在未來開始採用或採用更多人工智慧(artificial intelligence，AI)解決方案，但卻有83%的受訪者不知該從何處著手。目前為止，多數台灣企業尚未建立AI資料庫，尤其是傳統產業，多半依賴技術人員的經驗在現場做出決策。傳統產業若要轉型突破，得找出隱藏在企業內部富含價值的重要資料，這必須仰賴穩固的資訊科技架構做為基石。因此，如何利用人工智慧自動地投餌，為此領域技術人員所關心的議題。

本新型的實施例提出一種智慧養殖系統，包括養殖池、投餌機、攝影機與控制器。攝影機設置於養殖池當中，用以擷取水下影像。控制器通訊連接至攝影機與投餌機，用以取得水下影像。控制器根據水下影像計算出飼料剩餘量或將水下影像傳送至伺服器由伺服器計算出飼料剩餘量。控制器根據飼料剩餘量控制投餌機投入飼料至養殖池當中。

在一些實施例中，智慧養殖系統更包括一支架，設置於養殖池中，攝影機設置在此支架之上。投餌機將至少部分的飼料投入至支架中。

在一些實施例中，上述的支架包括網狀平面、收集盤與支撐部。攝影機的攝影方向朝向網狀平面，收集盤從網狀平面往外延伸，支撐部設置於網狀平面之下，藉此使網狀平面與養殖池的底部相隔一距離。

在一些實施例中，智慧養殖系統更包括清洗機，用以噴出水流或氣泡至支架。控制器對水下影像執行影像切割演算法以取得支架影像區域，並根據支架影像區域的面積判斷是否啟動清洗機。

在一些實施例中，控制器對水下影像執行影像切割演算法以取得飼料影像區域，判斷飼料影像區域的面積是否小於一臨界值，若飼料影像區域的面積小於臨界值則控制投餌機投入飼料至養殖池當中。

上述的系統中，藉由自動投餌可以減少飼料的浪費。

為讓本新型的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

100‧‧‧智慧養殖系統

110‧‧‧養殖池

112‧‧‧攝影機

114‧‧‧支架

116‧‧‧投餌機

117‧‧‧投餌管

118‧‧‧照明裝置

120‧‧‧水質感測器

122‧‧‧控制器

124‧‧‧路由器

126‧‧‧伺服器

128‧‧‧排汙馬達

130‧‧‧使用者

201‧‧‧收集盤

202‧‧‧網狀平面

203‧‧‧支撐部

210‧‧‧飼料

220‧‧‧攝影方向

230‧‧‧清洗機

241~243‧‧‧攝影端

310‧‧‧水下影像

320‧‧‧飼料影像區域

330‧‧‧汙垢

[圖1]是根據一實施例繪示智慧養殖系統的示意圖。

[圖2]是根據一實施例繪示在支架上設置攝影機的示意圖。

[圖3]是根據一實施例繪示水下影像的示意圖。

圖1是根據一實施例繪示智慧養殖系統的示意圖。請參照圖1，智慧養殖系統100包括了養殖池110、攝影機112、支架114、投餌機116、投餌管117、照明裝置118、水質感測器120、控制器122、路由器124、伺服器126與排汙馬達128。

在此實施例中養殖池110的形狀是圓形，其中養殖有蝦子，但在其他實施例中養殖池110的形狀也可以是方形或是其他任意形狀，並且在其他實施例中也可以養殖魚、螃蟹或其他水生物，本新型並不在此限。排汙馬達128是用以從養殖池110的底部抽水以排汙。投餌機116可包括馬達或其他合適的機械設備，投餌機116用以投下飼料，這些飼料是經過投餌管117投入支架114中，但投餌機116也可以具有其他的開口以將飼料直接投入至養殖池110中。

攝影機112是設置在養殖池110的水面以下，用以持續地擷取水下影像。攝影機112可包括感光耦合元件(Charge-coupled Device，CCD)感測器、互補性氧化金屬半導體(Complementary Metal-Oxide Semiconductor)感測器或其他合適的光感測器，這些感測器可為可見光感測器或非可見光感測器，本新型並不在此限。在一些實施例中，攝影機112具有一紅外線感測器與一可見光感測器，分別用以拍攝紅外線影像與可見光影像。在一些實施例中，攝影機112也可以包括多個可見光感測器，根據這些感測器所拍攝的影像可以計算出三維場景。照明裝置118可包括一或多個發光二極體，本新型並不限制這些發光二極體的波長。路由器124可為有線路由器或是無線路由器。

水質感測器120是用以感測溶氧量、溫度或其他與水質相關的數值。控制器122通訊連接至水質感測器120、攝影機112、投餌機116與排汙馬達128，在此，通訊連接可為有線連接或是無線連接，例如透過互聯網、區域網路、廣域網路、近場通訊、紅外線通訊、藍芽、WiFi等通訊手段使得裝置之間可以傳送訊號與資料。控制器122可為中央處理器、微處理器、微控制器、數位信號處理器、影像處理晶片或特殊應用積體電路等。控制器122可從攝影機112取得所拍攝的水下影像，並從水質感測器120收集相關的數值，這些收集的資料可透過路由器124傳送至伺服器126，使用者130可登入至伺服器126以存取這些資料。

請參照圖2，圖2是根據一實施例繪示在支架上設置攝影機的示意圖。在一些實施例中，支架114具有網狀平面202、收集盤201與支撐部203，這些部件可由金屬或其他合適的材料形成。飼料210會投入至網狀平面202上，但由於在養殖池中的水流可能很大，飼料210可能會漂流到網狀平面202之外，因此收集盤201是設置以從網狀平面202往外延伸以接住這些飼料，圖2中是為了簡化起見並沒有繪示完整的收集盤201，在一些實施例中收集盤201的展開角度可以是360度，藉此可以接住更多飼料。攝影機112可設置在支架114的上半部，且攝影方向220是朝向網狀平面202，也就是說上述擷取的水下影像的主要內容會是網狀平面202與其上的飼料。此外，養殖池的水底通常很混濁，支撐部203是設置於網狀平面202之下，藉此使網狀平面202與養殖池的底部相隔一距離，如此一來可以讓擷取的水下影像較為清楚。然而，圖2僅是一範例，本領域具有通常知識者當可根據上述揭示內容而設計出其他形狀、大小的支架114，本新型並不在此限。此外，在其他實施例中網狀平面202的形狀也可以是長方形、其他多邊形或任意形狀。

圖2中亦繪示了攝影機112的攝影端的放大示意圖，其中在一個實施例中攝影端241為平面，在另一實施例中攝影端242為凸面。攝影端241、242上可設置透鏡或保護蓋板，本新型並不在此限。相較於習知技術的攝影端243來說，攝影端243上設置有擋牆，因此會形成氣泡，這會影響所拍攝的影像。相反地，攝影端241、242上並不會形成氣泡。

請參照圖1與圖2，在取得水下影像以後，可以根據水下影像計算出飼料剩餘量，並根據此飼料剩餘量控制投餌機116投入飼料至養殖池110當中。舉例來說，當飼料剩餘量大於一臨界值時，則控制器122並不會控制投餌機116投入飼料，當飼料剩餘量小於臨界值時則控制器122會控制投餌機116投入飼料。如此一來，可以在需要的時候才投入飼料，減少飼料的浪費。上述飼料剩餘量的計算可以由控制器122執行，或者控制器122也可以將水下影像傳送至伺服器126，由伺服器126以雲端的方式計算出飼料剩餘量以後再將結果傳回到控制器122。以下將舉實施例來說明如何計算出飼料剩餘量。

在此實施例中，是以機器學習的方式來計算出飼料剩餘量，也就是說上述的水下影像會輸入至一個機器學習模型，而此機器學習模型會輸出一數字來代表飼料剩餘量。上述的機器學習模型可以是卷積神經網路、支持向量機或其他合適的模型，本新型並不在此限。在一些實施例中，上述的機器學習模型是用以實施影像切割(image segmentation)，用以切割出水下影像中的飼料影像區域，例如請參照圖3，從水下影像310中可以切割出飼料影像區域320。在一些實施例中，水下影像310為紅外線影像，在紅外線影像中可以較清楚地辨識出飼料，但在其他實施例中水下影像310也可以是可見光影像，本新型並不在此限。以卷積神經網路為例，在訓練階段時，將所擷取的水下影像輸入至卷積神經網路，而卷積神經網路的輸出則是人工切割過後的二值化影像(用以表示那些是飼料，那些不是)；在測試階段，則可以將即時拍攝的水下影像輸入至訓練好的卷積神經網路，而卷積神經網路會輸出切割後的二值化影像。上述的飼料影像區域320的面積與飼料剩餘量成正比，因此當飼料影像區域320的面積小於一臨界值時，表示飼料已經不夠，因此可以控制投餌機116投入飼料至養殖池110當中。在另一些實施例中，可以實際量測飼料的重量，並根據此重量來訓練機器學習模型，因此在測試階段時所輸出的會是預測的飼料重量。在其他實施例中，也可以根據飼料的體積、數量等來訓練機器學習模型，也就是說上述的飼料剩餘量可以是重量、體積、數量或飼料影像區域320的面積，本新型並不在此限。

請參照圖2與圖3，在一些實施例中更設置了清洗機230，此清洗機230是用以噴出水流或氣泡來清洗支架114，清洗機230可包括馬達、壓縮機或其他合適的機械設備。在此也可以用機器學習的方式來決定清洗的時機，具體來說，可以對攝影機112所拍攝的水下影像執行影像切割演算法以取得支架影像區域，此支架影像區域指的是在影像中屬於支架114的區域，在訓練階段時可以由人標記出屬於支架114的區域以輸入至卷積神經網路。當支架114上具有汙垢330時，這些汙垢330會蓋住網狀平面，使得上述的支架影像區域的面積會變小，當支架影像區域的面積小於一臨界值時，表示支架114上具有許多汙垢，因此控制器122會啟動清洗機230來清洗支架114。

在一些實施例中，為了適應各種不同的養殖池，水下影像中的網狀平面部分可以與其他的養殖池背景結合以產生更多的訓練用影像，藉此可以訓練出更強健的卷積神經網路。舉例來說，可以由人工切割出網狀平面部分，將此部分貼至另一個養殖池的背景影像之中，兩者的交界可以透過帕松方程式(poisson equation)來編輯，藉此可以額外地生成出多張訓練用水下影像。

在一些實施例中，控制器122或伺服器126也可以對水下影像執行一除霧演算法，此時所採用的水下影像是可見光影像。具體來說，除霧演算法也可由卷積神經網路來執行，在訓練階段時卷積神經網路的輸入為有霧的水下影像，而輸出為以清晰的水下影像。透過除霧演算法可以得到清晰的水下影像，在一些實施例中可以對此清晰的水下影像執行一物件偵測演算法以偵測水下的動/植物。在一些實施例中，這些經過除霧的水下影像會傳送至伺服器126儲存起來。

在上述的智慧養殖系統中，是利用影像處理技術來控制投餌量，藉此可以減少飼料的浪費。此外，由於攝影機是架設在支架之上，因此所拍攝的水下影像大多是關於網狀平面與飼料，這使得上述的系統可以適用於不同的養殖池當中，較不容易受養殖池的背景變化所影響。

雖然本新型已以實施例揭露如上，然其並非用以限定本新型，任何所屬技術領域中具有通常知識者，在不脫離本新型的精神和範圍內，當可作些許的更動與潤飾，故本新型的保護範圍當視後附的申請專利範圍所界定者為準。

Claims

一種智慧養殖系統，包括：一養殖池；一投餌機；一攝影機，設置於該養殖池當中，用以擷取一水下影像；以及一控制器，通訊連接至該攝影機與該投餌機，用以取得該水下影像，其中該控制器根據該水下影像計算出一飼料剩餘量或將該水下影像傳送至一伺服器由該伺服器計算出該飼料剩餘量，該控制器根據該飼料剩餘量控制該投餌機投入飼料至該養殖池當中。
如申請專利範圍第1項所述之智慧養殖系統，更包括：一支架，設置於該養殖池中，其中該攝影機設置在該支架之上，並且該投餌機將至少部分的該飼料投入至該支架中。
如申請專利範圍第2項所述之智慧養殖系統，其中該支架包括一網狀平面與一收集盤，該攝影機的攝影方向朝向該網狀平面，該收集盤從該網狀平面往外延伸。
如申請專利範圍第3項所述之智慧養殖系統，其中該支架還包含一支撐部，該支撐部設置於該網狀平面之下，藉此使該網狀平面與該養殖池的底部相隔一距離。
如申請專利範圍第2項所述之智慧養殖系統，更包括一清洗機，用以噴出水流或氣泡至該支架，其中該控制器對該水下影像執行一影像切割演算法以取得一支架影像區域，並根據該支架影像區域的面積判斷是否啟動該清洗機。
如申請專利範圍第1項所述之智慧養殖系統，其中該控制器對該水下影像執行一影像切割演算法以取得一飼料影像區域，判斷該飼料影像區域的面積是否小於一臨界值，若該飼料影像區域的面積小於該臨界值則控制該投餌機投入飼料至該養殖池當中。
如申請專利範圍第1項所述之智慧養殖系統，其中該攝影機的一攝影端為平面或凸面。