環境変化に順応するネイチャー・レジリエント・ネットワーク型生け簀ロボットの研究

适应环境变化的自然弹性网络型笼式机器人研究

• 批准号: 21H03558
• 负责人: 小林 透
• 金额: $ 10.98万
• 依托单位: Nagasaki University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (B)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21H03558/
• 关键词: 生け簀ロボット; IoT; センサープラットフォーム; センサプラットホーム; センサプラットフォーム; レジリエント・ネットワーク

（課題2）センサからの情報を基にしたインテリジェントな給餌方式に関して、Optical Flowを当研究室が開発したマルチセンサプラットフォームで撮影した生け簀内の魚群に適用した。餌を生け簀に投入すると、それまでは、水平方向にゆっくり回遊していた魚群が、一斉に上方向に動きを活発化させる。その時のそれぞれの魚の動きをベクトルとして定量化する。具体的な定量化の対象は、ベクトルの大きさと角度であり、これをベクトル量と呼ぶ。本ベクトル量を学習させることで、魚群活性度AIを構築した。魚群活性度AIでは、魚が空腹の時は、餌への反応が早い（移動量大、しかも上方向）、満腹時は、反応が遅い（移動量小、しかも水平方向）という仮説に基づいている。魚群活性度AIを評価するために、長崎県総合水産試験場内にある実験生け簀の一部を借用し、評価実験を行った。評価実験においては、給餌中の魚群の活性度を下記の2つの状態に分類した。①高活性：餌が水面に着水した瞬間、勢いよく食いつき、上下の動きが激しい状態②低活性：給餌しても魚群の反応が低い状態高活性と低活性の区別は、水産試験場のベテラン給餌担当者の判断に基づき分類した。それぞれの状態の時の映像情報からOptical Flowにより算出した魚群のベクトル量を、Support Vector Machineという機械学習にかけることにより学習モデルを作成した。評価実験により作成した学習モデルに、学習する際に用いなかった魚群のベクトル量を入力し、魚群の活性度を正しく判定できるかどうかの検証を行った。その結果、94%の精度で、魚群の活性度を正しく判定できることが確かめられた。この結果から、Optical Flowによる魚群活性度の定量化手法に基づく、魚群活性度AIの有効性が確かめられた。

(Subject 2) The basic information of the fish feed system and the Optical Flow are applied to the development of the fish feed system in the research laboratory. The fish are moving in the horizontal direction and moving in the upward direction. The time and place of fish movement are quantified. The specific quantitative image is the angle of the image. This paper discusses the construction of AI for fish activity. Fish activity AI A part of the fish activity AI evaluation was carried out at the Nagasaki Prefectural Aquatic Research Center. The activity level of fish in the bait is recorded in the following 2 categories.① High activity: bait water surface at the moment of contact, potential in the middle of the food, up and down the movement of the excited state ② Low activity: bait fish fish anti-fish state high activity and low activity of the difference between the aquatic test field and the bait to determine the basis of classification. The image information of the state of the fish is calculated from Optical Flow, and the learning information is generated from Support Vector Machine. The evaluation is made to determine the activity of the fish and the amount of fish in the fish. 94% accuracy of the results, the activity of the fish is determined correctly. The results show that the quantitative method of fish activity is based on Optical Flow, and the effective method of fish activity AI is accurate.

项目成果

海洋環境観測装置のための局所的・短期的太陽光発電量予測システム

海洋环境观测设备局部及短期太阳能发电预测系统

• 发表时间: 2021
• 作者: 今井 哲郎;市丸理士;荒井 研一;小林 透
• 通讯作者: 小林 透

オプティカルフローを用いた最適給餌のための魚群行動分類

使用光流对鱼群行为进行分类以实现最佳喂养

• 发表时间: 2022
• 作者: 深江 一輝;田中 祐大;今井 哲郎;荒井 研一;小林 透
• 通讯作者: 小林 透

Interpretable image features for anomaly identification on hexagonal net knitting machines

用于六角网针织机异常识别的可解释图像特征

• 发表时间: 2022
• 作者: Tetsuo Imai;Shoya Ogawa;Nobuyuki Yonaga;Kazuki Fukae;Kenichi Arai;Toru Kobayashi
• 通讯作者: Toru Kobayashi

スマート養殖実現のための自動給餌方式の研究

自动投喂方法研究实现智慧水产养殖

• 发表时间: 2023
• 作者: 田中 祐大;小川 翔也;深江 一輝;今井 哲郎;荒井 研一;小林 透
• 通讯作者: 小林 透

Photovoltaic Power Prediction System Followable to Gaps of Weather Forecasts

光伏发电功率预测系统可追随天气预报的差距

• 发表时间: 2021
• 作者: Tetsuo Imai;Satoshi Ichimaru;Kenichi Arai;Toru Kobayashi
• 通讯作者: Toru Kobayashi