基于自编码器多示例学习的数字孪生智能水产养殖监测系统

《Aquacultural Engineering》：Digital twin-based smart aquafarm monitoring system with multi-instance learning based on autoencoder model

本文提出了一种创新的数字孪生智能水产养殖监测系统，该系统基于自编码器（Autoencoder）模型的多示例学习（MIL）方法，对实际渔场的温度（Temperature）和溶解氧（Dissolved Oxygen）数据进行预测和风险等级评估。通过整合非真实引擎（Unreal Engine）构建的元宇宙（Metaverse）三维可视化界面，实现了对水产养殖环境的直观、实时监控，为应对环境突变、提升管理效率及推动水产养殖数字化转型升级提供了关键技术支撑。

　　

Highlight

监控传感器系统与数据收集和处理

在本研究中，数据收集自位于济州岛济州国立大学基荡海洋科学研究所的流道式水产养殖场。图1(a)显示，该系统被安装用于获取和存储来自实际养殖场的内部和外部传感器数据。在图1(a)的上部，主要传感器和嵌入式计算平台被用于数据收集和实时监控。Jetson Nano是一个基于NVIDIA CUDA-X AI平台的小型嵌入式系统。

水质状态警报系统

本研究中使用的数据包括水温和溶解氧浓度。通常，随着水温升高，溶解氧浓度会以反比关系下降。如果不考虑这种变化，并向养殖场供应相同条件的水，比目鱼可能会出现生理问题，如呼吸衰竭、性别比例失衡和繁殖能力下降。(Barton and Zwama, 1991, CHIN, 2018, Mallya and Thorarensen, ...)

基于数字孪生的水产养殖监控平台

元宇宙（Metaverse）是一个结合物理和数字现实的三维虚拟世界，正在各行各业中得到创新性应用。特别是在系统性能监控和未来场景模拟方面的潜力正受到广泛关注。利用这项技术，可以在与现实系统相连的虚拟环境中进行数据可视化监控，从而能够直观地确认操作状态并在出现问题时快速响应。此外，

结论

在本研究中，我们提出了一种针对济州比目鱼养殖场的基于人工智能（AI）的水质监测算法，并将其集成到元宇宙环境中，以建立一个更直观的监控系统。通过利用传感器数据，我们开发了一个系统，该系统利用基于多示例学习（MIL）的自编码器（Autoencoder）模型，能够检测异常并提供风险警报。该系统允许早期发现养殖场环境中的潜在危害，并通过...进一步提高了实时监控的效率。