水產生物重量與質量的計算、生長情形是水產養殖的重要面向，攸關投餵率、魚的尺寸分級及何時收穫。一般情況下，這些資訊收集僅能靠人工接觸操作，成本既昂貴又耗費時間與體力。且用手觸摸會造成魚體壓力，因壓力而產生的皮質醇 (cortisol) 若長期升高會導致魚類減少食物的攝取及生長減緩。

為了解決這個問題，團隊運用了人工智慧 (artificial intelligence)、近紅外光譜相機 (near-infrared spectroscopy camera)、哈爾分類器 (Haar classifiers) 及數學模型進行非侵入性的量測。人工智慧如機器視覺系統（machine vision system, MVS），由影像擷取系統、影像處理和統計分析所組成，可透過影像進行魚類採樣及檢測分類。近紅外線（NIR）電腦視覺技術則改善養殖設施照明較差的問題，由於 NIR 不受可見光強度的影響，使之在光線昏暗的環境中亦能獲得良好的成像。這些硬軟體被設計能在真實環境中取得魚的相片，用以估計其體長及體重，避免人為接觸造成之壓力，並簡短操作時間。

通過為紅外光相機外加帶通濾波器以減少波長，在抓取魚影像時能獲得更多聚焦點，且避免雜訊干擾；另外，使用機器學習Haar分類器，運用較複雜的分析，如：卷積神經網路(convolution neural network)、多列卷積神經網路(multi-column convolution neural network)、人工神經網路(artificial neural network) 等，以識別養殖系統中的魚類。最後使用數學模型運算，使該系統不僅能計算出當前的魚重及魚長，更能估計魚體未來的重量及長度。