Մեքենայական ուսուցման նորարարություններ վերամշակվող ակվակուլտուրայի համակարգերում

Արհեստական ​​բանականությունը և մեքենայական ուսուցումը (ML) հեղափոխություն են մտցնում RAS կառավարման մեջ՝ օգտագործելով պատմական տվյալները՝ ավանդական մոդելավորման ենթադրությունների փոխարեն: Համակարգչային տեսողության, իրերի ինտերնետի ցանցերի և գրաֆիկական պրոցեսորներով արագացված խորը ուսուցման շնորհիվ այս տեխնոլոգիաները հաղթահարում են հաշվողական խոչընդոտները՝ հնարավորություն տալով իրական ժամանակի վերլուծություններ իրականացնել:

Կարևորագույն կիրառությունները կենտրոնանում են ձկների վարքագծի մոնիթորինգի վրա, որտեղ համակարգերը հայտնաբերում են սթրեսային ռեակցիաները լողի օրինաչափության վերլուծության միջոցով: Օրինակ՝ Ատլանտյան սաղմոնը անկանոն շարժումներ է ցուցաբերում մահացու H₂S կոնցենտրացիաների դեպքում (30–40 մկգ/լ), ինչը վաղ նախազգուշացումներ է տալիս թունավորության շեմերից ցածր (60 մկգ/լ): RASense1.0-ի նման ստորջրյա հարթակները այժմ հուսալիորեն լուսանկարում են 0.5 մ խորության վրա՝ փոփոխական լուսավորության պայմաններում:

Ինտեգրված AIoT համակարգերը համատեղում են արհեստական ​​բանականությունը, իրերի ինտերնետը և ռոբոտաշինությունը՝ ավտոմատացնելու կերակրման օպտիմալացումը, հիվանդությունների հայտնաբերումը, կենսազանգվածի գնահատումը և ջրի որակի մոնիթորինգը: Այս միաձուլումը հնարավորություն է տալիս կանխարգելիչ միջամտության, այլ ոչ թե հետահայաց վերլուծության:

ML ալգորիթմները բարելավում են ճշգրիտ ակվակուլտուրան հետևյալի միջոցով.

● Ոչ ինվազիվ ձկների չափերի և պոպուլյացիաների հաշվարկ

● Մահացության հայտնաբերում և տեսակների նույնականացում

● Սենսորային միջավայրի կառավարում

Խելացի ֆերմաները ցուցադրում են գործնական կիրառում, ինչպիսիք են ավտոմատացված բասի լճակները, որոնք նվազագույնի են հասցնում ձեռքի աշխատանքը: Առողջության վրա ազդեցության առաջացումից առաջ ոչ օպտիմալ պայմանները բացահայտելով՝ այս նորարարությունները մեքենայական ուսուցումը դարձնում են հաջորդ սերնդի RAS-ի հիմնարար՝ ակվակուլտուրան տեղափոխելով տվյալների վրա օպտիմիզացված, արդյունավետ արտադրական համակարգերի՝ միաժամանակ բարելավելով ձկների բարեկեցությունը: