當AI進入傳統水產養殖產業

 

AI養殖出的白蝦非常肥美，一點也不輸人工養殖的白蝦(圖為本文作者之一洪慶章教授)

文、圖──國立中山大學海洋科學系 謝學函、洪慶章

智慧農業4.0，用科技補足勞動力

雖然臺灣的海鮮需求旺盛，然而您知道嗎？臺灣大多數的養殖縣市，除繼承家中產業的青壯年人口外，外來注入的新血甚少，水產養殖勞動人口數約只有四點七萬人，佔總勞動人口數的0.4%。

傳統的養殖業需要高勞動力、高成本以及豐富的經驗，這一行中常要看天吃飯，一場大雨就有可能讓之前的投入付諸流水，這些因素都讓想加入養殖的青年望而卻步。面對產業結構老化的威脅，農委會近年來推動「智慧農業4.0」，以現代科技達成智慧生產，解決農漁業勞力不足、提升收益及有效管理等重要課題。

智慧科技中以「影像辨識技術」發展較為成熟，大部分人熟悉的人臉辨識、車牌偵測等技術都在此範疇中。該技術在推廣智慧農業初期，就被運用到蔬果植栽的種植管理中，有效提升了產能且降低病蟲害。在大規模經營管理模式中，以無線射頻辨識晶片(RFID)的應用最為廣泛。部分的畜牧業也將RFID系統應用在養殖生物的管理上，以晶片記錄單一個體的生長、環境以及用藥等資訊，達成良好的管理，並且為農作物銷售提供完整的產銷履歷。然而相對於農牧業，在水產養殖業中要以晶片技術監測生物生長，需克服的難題比陸上要多出許多。

人力不足，AI來救

雖然監測陸上生物的方法，亦可適用於水產養殖業，但礙於水的物理特性，使RFID晶片的讀取範圍被限縮在三十至四十公分之內。另外，水生生物在成長過程中體型差異大、放養數量眾多，這些問題都使該技術應用難度上升且成本增加。

水下生物影像是很好的監管輔助工具，可克服晶片系統在水下效率不佳的瓶頸，透過影像系統，我們能得知生物的大小、是否有寄生蟲或疾病等訊息。在養殖過程中，水下生物會因水質良莠而有不同行為，這些資訊都可透過水下影像觀察到。然而養殖池通常極為混濁，不如大海清澈，因此很難蒐集到清楚的影像，加上大量的藻類生長及池底釋出的「再懸浮顆粒」，導致養殖池大多呈現綠色、褐色或土黃色等，混濁的視線更讓影像辨識困難重重。水中生物的疾病、成長狀況與水質息息相關，尤其在高密度的養殖模式中，池內魚蝦數量、大量餌料投餵，加上外在的天氣等因素，都可能導致水質優養化、酸化和缺氧，亦會造成水中病菌濃度上升與養殖生物免疫力下降等不利養殖的狀況。大部分的養殖池多既深又混濁，加上多數漁民年事已高，並不能即時掌握生物的狀況，發現魚蝦死亡浮上水面常為時已晚，也因而造成無法估量的損失。

圖一：養殖池高濁度及多樣水色變化，左池：綠藻，右池：矽藻。

因此，在我們「智慧養殖池」計畫中，便朝向友善環境、照顧蝦子健康及能控制餌料投餵的系統等三個方向進行，工作內容包括：（1）建立健康養殖系統（2）水質監測器與攝影系統安裝（3）水質數據搜集及記錄（4）蝦子養殖管理（5）探討養殖過程之水文數據變化（6）建立影像辨識系統。

首先，我們必須解決過去排污效率不佳的問題。在傳統養殖產業中，廢棄的餌料與雨水帶來的泥沙常沉積在池底，造成蝦子面臨缺氧危機，累積的污泥更可能在硫化菌的作用下，產生劇毒的硫化氫。以往這些淤泥都必須靠人工監控、清理，然而這樣的做法常常不夠及時阻止水質腐壞。為此，我們先將蝦塭改建為圓形，以避免淤沙堆積（圖二），並設計了一套「養殖池監控系統」，藉由設在池子中央的排污裝置以及轉動的水流設計，有效地將污泥自池中排除。此外，我們也在水中放置溫度、鹽度、酸鹼度以及溶氧探針來檢測營養鹽中的亞硝酸鹽濃度，以作為池水進排水的依據，再利用裝置達成自動換水（圖三）。這套系統大幅降低了對生物有害的氨氮濃度且達成有效率的養殖環境監控。

圖二：團隊將AI蝦塭設計為圓形，以避免淤沙堆積

圖三：智慧養殖系統之示意圖:包含即時水質監測系統、水下攝影機、海水注入系統及排汙系統

而在蝦及餌料的監管上，則利用水下攝影機獲取的影像資料，進行蝦的成長、進食和餌料投餵量的控制（如圖四、圖五、圖六）。然而，這部分的工作則不如預期中的容易。雖然影像辨識已發展數十年，但水中生物的影像資料卻十分缺乏，且水色以及水中懸浮顆粒濃度造成影像搜集及辨識產生大量的誤差。就連原先認為能夠輕鬆準確辨識出餌料盤中殘餘餌料的面積，因水流的擾動、懸浮顆粒的干擾、可見光下的色澤與池中藻水濃度過高等問題，都讓實驗變得困難重重。不過在團隊的努力之下，經過無數次的試驗以及調整後，才得到了一部分區域的清晰畫面，讓我們能進行後續的電腦影像辨識。我們團隊與臺灣海洋中心合作開發了高靈敏度水下攝影系統（UVS）（如圖七），讓團隊可即時掌握蝦塭內的影像，透過紅外線技術自動化觀測及預警，產出大量的影像資料提供AI系統學習分析，讓系統告訴我們投餵餌料的時機，並建立出蝦隻成長的模型。

圖四：水下餌料辨識影像

圖五：蝦子辨識影像

圖六：水下蝦密度檢測

圖七：攝影機架設架構

在排除技術上的種種困難後，我們在兩個十八噸的養殖池中進行白蝦試驗，一組採傳統方法，另一組則利用AI技術輔助，每組養殖池的密度為每立方公尺235隻蝦子。收成時，AI養殖蝦的平均蝦重提升2.9克，重量達到20.2克，長度則比傳統養殖多2公分（圖八之A）。養殖期間，AI池之平均亞硝酸鹽濃度下降約40%。觀察114天放養期間累積的亞硝酸鹽總量，AI池對比傳統養殖池減少約59%（圖八之B）。

圖八：白蝦在傳統養殖模式及智慧養殖模式之(A)長度及重量及(B)比成長速率及養殖期間池中亞硝酸鹽累積總量之比較圖。

值得一提的是在此試驗中，有別於一般養殖使用半淡鹹水的粗放方式，我們使用純海水進行高密度養殖方式，使的白蝦成長期程較長，加上池子結構不利於餌料生物生長，讓智慧養殖模式的池子缺乏自然生物餌料供應，平均收成需要四至五個月。雖然不像民間養殖在三個月左右就有四十尾斤（十五克）的收成，但藉由智慧養殖所營造的優質環境供白蝦生長，池內的有害物質、致病菌源獲得改善，更讓原先只有5至20%的傳統養殖育成率提升至70%以上，大幅減低白蝦的耗損。整體而言，使用智慧養殖模式所達到的收益，超越延長養殖期的缺點。此外，在導入AI技術後，不僅看到蝦子產量提升，更藉由影像的實時紀錄，觀察到蝦子在不同環境與生長階段的行為模式，遠比預期能獲得的資訊更加豐富。

電腦將取代傳統勞力？AI技術在實驗室外的挑戰

在養殖與智慧科技的跨領域結合中，「養殖」才是主要目的，而人工智慧則是希望輔助使用者更輕鬆地掌握全局。

因此在開發智慧養殖系統時，養殖戶的需求就十分重要。團隊在開發初期透過訪問漁民，希望幫他們解決工作上的痛點。漁民希望AI一大早就幫他們監視養殖池狀況、餵食蝦群，也不用再依靠自己的經驗才能知道池水水質狀況。並期望最終這些養殖工作中的「勞力」都能用人工智慧取代。但在傳統養殖業中，有科學數據的紀錄並不常見，老一輩漁民口中的「經驗」大多只能靠傳承，無法轉換成科學所需的數值。缺乏時間尺度的可用資料易使人工智慧產出的預測失準。儘管如此，這些經驗對系統建置依然有重大貢獻，如藉由觀察蝦子的逆水游動習性，就可判斷蝦子是否生存在緊迫的環境中；又如寒流來襲或是下大雨前，蝦子就會開始減少進食。這些需要長時間觀察累積的知識，對養殖管理與系統開發有重大幫助。

然而，當AI技術進入到養殖產業中，是否能實質幫助養殖業者？或是漁民們是否買單？在聽過漁民的想法後我們得到的答案並不一致。雖然許多業者在接觸智慧養殖模式的概念及親自參觀示範池後，認為這想法不錯且可行，並認為能夠將此系統應用在他們的池子中。但談起建構一套系統的花費後，卻又縮手不敢觸碰。如最簡單的水下攝影機，雖然其外觀就是一台帶有防水殼的攝影機，但造價就要兩三萬，還只能看一小個區塊，若大規模養殖需要佈放的數量就更多。另外，因為大多數養殖戶使用海水養殖，設備需要頻繁的清潔維護，且產品可使用的壽命較短，種種裝置無疑提升了養殖過程中的各種維護成本。龐大的支出使漁民紛紛望之卻步，也讓AI養殖系統不容易走出實驗室，難以實際運用在產業中。

養殖池之外的技術應用

雖然AI養殖技術目前乍看只運用在蝦類養殖上，但實際應用後，可以發現其中包含兩大區塊：一部分為水質的監測，另外則是影像辨識，可搭配使用，亦能獨立運作。其中，有許多廠商已經開發完善的即時水質監測系統可供使用，不過影像辨識應用在水產養殖中仍不廣泛。智慧養殖系統除了可應用在不同的物種間，並蒐集牠們的生長資訊外，也能將設備投入長期環境監測計畫中，如珊瑚礁生態系統，透過AI技術分析該地的水質變化以及生物間的消長及變化。

現今跨領域的研究備受推崇，尤其是AI的相關應用，在未來智慧科技將走入更多不同的產業，跨界的交流會更加熱絡。然而，不論是學習程式語言又或是養殖的相關知識，都需投入大量的時間以及精力，難以兼顧。故在系統開發時，需要兩方面的人才進行交流及溝通。除專業知識以外，以智慧養殖方面來說，要了解有哪些工作項目能透過人工智慧參與協助，並瞭解其能達成的極限。就資訊工程方面，則要從養殖戶上獲取反饋，以優化整體養殖系統，最終在經過多次的試驗及修正，達成符合預期的工作模式。相信在未來能夠看到智慧科技投入更多傳統產業以及不同的研究領域，提升學術發展及產業創新。