2002 年的電影《關鍵報告》（Minority Report），描述了一個利用機器學習預防犯罪的未來——在 2054 年的華盛頓特區，有一群未來警察，他們透過預知者加上電腦程式，建立了一套完美的犯罪預防系統，預測所有的犯罪可能，永不出錯。《關鍵報告》是機器學習與預測分析的經典範例，電影中的預犯罪系統，明確的呈現出機器學習的核心概念，也就是透過分析大量的資料，預測未來可能發生的事件。在現實世界中，這種預測模型其實也相當常見，例如天氣預報、醫療影像分析，或者在工業、農業、物流等領域，利用機器學習做到自動化的成品辨識、品項分類等等。而近年來在漁業方面，機器學習應用的可能性，也正在逐漸開發中。
圖說：機器學習在現代科技發展中扮演了至關重要的角色。從語音助理到自動駕駛，有許多生活科技的核心，都建立在機器學習的基礎上。
資訊工程系出身的鄭錫齊教授，在人工智慧和機器學習的開發與應用上擁有多年經驗。2021 年，教授帶領團隊啟動了「智能化箱網養殖模式研究」計畫。「我們希望可以研發一套系統，幫助養殖漁業進行水下的影像識別，達到監控和管理目標物種的生長狀態的目的，再結合水質感測器來監測水產養殖的環境，希望可以為漁民提供更有效的養殖策略分析。」鄭教授說明，這個計畫的目標，就是要幫助漁民達到智慧化養殖，把複雜的事情簡單化、系統化，減少勞力、降低成本。
圖說：鄭老師帶領團隊，在養殖場域實際進行測量與設備架設。
但漁業中的機器學習，相較於在陸地上進行難度更高。因為水—特別是海水—往往對機器學習所需要的訓練造成很大的影響。比方在水下環境中，必定存在的水質、光線以及深度等多種因素干擾，可能導致影像模糊、色彩失真、視線範圍受限等。這些問題對於依賴視覺資訊的機器學習模型來說，都是很大的挑戰。另外，水下環境的惡劣條件，也使得傳統的數據收集設備難以直接使用，需要進行特別的設計和改良，這不僅提高了成本，也延長了收集的時間。再加上海洋環境與陸地相比，變化更為劇烈和不可預測，溫度、鹽度、流速等都可能在短時間內發生巨大變化。這對機器學習模型的訓練和預測能力，皆造成極大的困難。「一台機器架在陸地上，只要沒被刻意破壞，或者不斷追求更高階的機型，通常可以用很久。但機器架在海中，真的是每一秒都有可能故障，甚至直接被海流、海浪沖走。」鄭錫齊教授談到「智能化箱網養殖模式研究」計畫時，一開始就點出了機器學習在水下最困難的地方。
圖說：鄭老師帶領團隊，在養殖場域實際進行測量與設備架設。
「在這次的研究計畫中，資料收集的穩定性和效能，是我們最主要的挑戰之一。」因為鄭教授和團隊，需要在不同的海洋環境中收集資料，這也提高了維持穩定收集過程中的困難度。「我們要的資料，重質也重量，只有收集到足夠可用的資料，才能展開後續的分析，也才有辦法拓寬未來可能的應用範圍。」鄭教授強調，既然水下環境不可改變，與其克服它，不如想辦法共存。因此鄭教授和團隊利用過往經驗，加上長時間的測試，找出了一個輔助影像的辦法——聲納。「我們透過將影像所觀察到的區域，與聲納影像進行對應，然後以比例的方式推估到整個研究區域，就可以進一步計算魚群的數量或密度。」有了聲納的輔助，鄭教授和團隊就可以改善水下環境對辨識／機器學習所造成的影響，例如，當海水混濁時，聲納的優勢更加明顯；反之，在水質清澈的情況下，影像能夠更好地辨識魚種。
圖說：影像和聲納結合，獲得更清晰的結果。
能夠清楚的辨識魚群，就能讓漁民更準確的了解魚群狀態，包括種類、大小、健康狀況等等，來調整養殖策略。也能夠利用數據進行預測，比方及早發現魚群中可能存在的疾病問題，適時的做出相應準備，來降低可能的損失。鄭教授和團隊，也在這個計畫中優化了自主式水質監測浮標系統。這個系統除了監測水質之外，也協助「智能化投餌機」預測投餌量。「在我們的研究設計中，水質資料首先會傳送到浮標，然後透過 LoRaWAN 的通訊機制，傳送至陸地上的伺服器，再進一步轉傳至雲端資料庫。這些資料包括水溫、水流速度，以及魚群的數量和平均體重。我們利用這些資訊來預測投餌量，準確率平均可達到 91.7%。」也就是說，漁民能夠透過這些數據，針對魚群的生長狀況，進行個別化的監控和管理，提高養殖的效益。
圖說：水質監測浮標系統以太陽能發電，對環境較為友善，而且降低維護成本。
圖說：收集到的資料都放進雲端中，不只可以進行後續的分析和預測，也可以和其他資料結合，做進一步的利用。
除此之外，鄭教授和團隊還設計了有洗網以及破網的預警系統。透過整合影像擷取硬體，與先進的洗網機影像串流系統，利用Fast-SCNN的深度學習模型，來識別網袋上附著的海草覆蓋率，幫助漁民決定是不是應該要清潔漁網了。而漁網破損的預警，則是採用物件檢測模型 YOLOv4，辨識漁網中的破損區域、紀錄破損的時間點，當破損達到一定時間長度或者區域大小，將觸發警報，幫著漁民及時採取行動，來防止更嚴重的破損，甚至流失魚群。
| 硬體系統 | 軟體系統 | ||
|---|---|---|---|
| 影像串流擷取設備 | 洗網機運動紀錄設備 | 洗網預警演算法 | 破網預警演算法 |
| 包含顯示螢幕 *1 影像擷取主機 *1 110V 行動電源 *1 |
包含微控制器 (ATmega 328) 6 軸運動紀錄儀 儲存設備 電源供應設備 |
||
| 功能目的： 能辨識實際水下海草影像，計算海草於影像中之占比，判斷海草密度是否超過閥值，並告知使用者資訊。 |
功能目的： 能辨識實際水下網袋影像，判斷影像中是否有破網的情況發生，且能辨識出影像中之網目面積，計算其受力程度，並告知使用者資訊。 |
||
圖說：漁網的清潔度和完整度，雖然影響魚群的生存，但要人力管理卻相當費時費工。有自動預警系統來協助，讓養殖環境的管理更有效率。
「從全球範圍內相關領域的專案研究來看，我們的系統是少數能夠即時監控和分析養殖池魚群狀況的成功範例之一。這項研究的成果，將為未來更精細化、更智慧化的水產養殖策略提供實證基礎與重要參考。」鄭教授說道，在團隊的努力下，「智能化箱網養殖模式研究」計畫的成果十分令人驕傲。我們更因為鄭教授和團隊的努力，看到科技可以如何援助這個古老的行業——透過收集資料，建立預測模型，讓漁業變得更高效，並降低不確定性。我們可以期待，鄭教授和團隊能夠更大幅度的突破水下的限制，讓人工智慧／機器學習一舉改變漁業的未來。
