图1：利用机器视觉和AI，SnappArt系统可以自动量化和评估孵化场使用的活饲料，如图中的轮虫。

比利时水产养殖公司INVE Aquaculture 推出了一种自动量化和评估活饲料过程的工具——SnappArt，用于养殖鱼类和虾。

SnappArt通过一种显著省时、省力、同时能提供更高准确性的方法，取代了传统的手动计数方法。

荷兰Aris BV公司是一家专门为园艺和肉类加工行业提供机器视觉系统集成的厂商，该公司受INVE Aquaculture 公司委托开发了SnappArt系统。

“欧洲之星”计划为研发创新产品的项目提供资金，支持SnappArt系统的开发，目前SnappArt系统已实现商业化。

养鱼工艺流程

类似卤虫等活饲料可以在盐水中孵化，会生产出幼虫期的卤虫（无节幼体）；幼虫营养丰富，可以用于喂养各种各样的幼鱼（鱼苗）和虾。理想状态下，鱼虾的生长极其依赖精细的饲料管理。

由于全球海鲜市场的需求不断增加，加上人们对野生海鲜种群的过度捕捞，这些因素都推动了海鲜市场对可选择、可持续鱼类来源的需求，鱼业养殖产业正在迅速增长。水产养殖提供了一个可控的环境，可以显著提高鱼类产量，并减少养鱼行业对环境的影响。

鱼类养殖始于孵化场，在孵化场中，鱼卵孵化出鱼苗，然后鱼苗在环境可控的条件下进行养殖，直到鱼苗足够强壮，能够在大型养殖厂中生存。活饲料是这些孵化场鱼苗的重要营养物质。

人工养殖饲料质量控制的缺点

如果没有一个自动化的过程来检查和评估活饲料，卤虫和轮虫等活饲料的质量控制仅依赖于在有限的样本量上进行操作，而这是一种劳动密集型的工作，并且容易出错。通常情况下，卤虫和轮虫是在显微镜下人工计数的，熟练的工作人员可以在5分钟内完成每种样本的计数。

除了饲料管理流程不一致之外，糟糕的质量控制最终会导致鱼虾生长不良，易患疾病，造成海产孵化场和养殖场的经济损失，并对社会环境带来负面影响。此外，找到熟练的工作人员也不太容易，计数方法并非全球标准化的。

图2：SnappArt系统可以在不到1分钟的时间内完成对样本的计数，并立即获得计数结果。（图片来源：Aris BV）

视觉自动化系统的工作原理

SnappArt系统的核心是AI驱动的图像分析软件，确保能够快速准确地分析样本。再加上直观的触摸屏用户界面，系统设备有助于孵化场工作人员的无缝操作。

在使用SnappArt系统进行自动化控制过程中，初始步骤与手动计数方法使用的步骤类似。操作员首先从孵化箱中抽取活饲料子样本，以估计活饲料的密度、发育阶段和质量。将这些活饲料转移到具有12个单元的微孔板中，这就相当于一个样品。每个微孔板板孔的直径为20mm，可以容纳小到350μL的样品体积。

SnappArt设备在这个微孔尺寸基础上又进行了优化。它使用了一台大恒图像的MER2系列120万像素的相机，其配置索尼IMX226传感器。由于具有较高的放大倍率，因此选用了NEW TRY公司的C-mount微距镜头，以获得良好的光学性能。

所有的图像处理都是由NVIDIA公司的Jetson Orin Nano系列边缘计算模块在本地计算完成的，该模块采用YOLO目标检测神经网络工具，以及一些传统的计算机视觉方法，对活饲料进行识别和计数。

该设备的部件被放置在定制的塑料外壳中，该外壳设计可以耐受孵化场的盐水环境。此外，系统采用了Forecr.io公司的承载板，承载板经过保形涂层处理，能够避免不利环境因素的影响。

图3：图示为43孔板的一个孔，孔中有卤虫孵化箱中350μL的活体样品。

SnappArt系统可以在1分钟多的时间内完成对样本的计数，并立即获得结果。结果可以从显示屏幕上读取，这对于远程控制，或小型孵化场，或云端处理来说已经足够了。

对云传输/存储选项，卤虫或轮虫的每个不同发育阶段数据和每个孔的计数都会通过Wi-Fi网络、使用MQTT协议发送到Microsoft Azure数据库。然后，数据会上传给带有定制化仪表板的Microsoft Power BI应用程序，从而对随时间推移的质量统计数据进行分析。数据会不断更新。

该系统带来的另一个好处是，孵化场可以使用随着时间的推移不断更新收集的数据，帮助估算总体生产力结果，以及鱼虾的任何异常情况。

图4：从屏幕上可以看到卤虫样本的统计结果。（图片来源：Aris BV）

神经网络的发展

为了开发深度学习目标检测网络，一方面，INVE公司和Aris公司从世界各地收集了活饲料数据，并与多位专家讨论了标记问题。有趣的是，活饲料发育不同阶段的识别并没有一个标准化定义。这促使INVE和Aris制定了统一的活饲料发育阶段定义，多个地方的孵化场和专家们对这些定义达成了一致意见。

另一方面，现在样品制备方法已经实现标准化，因此得到的数据非常好。也因此，神经网络能够用几百张稳健的图像数据集，成功地对卤虫和轮虫进行分类。

对于图像的注释，系统使用了开源计算机视觉注释工具CVAT。Aris公司使用了主动学习方法，其中模型的预测能力被用于实现预先注释功能。因为在开发过程的早期，模型的预测准确率已经超过90%，后期只需要添加或更正很少的注释，因此极大节省了时间，最终可实现准确率达98%以上。

此外，INVE公司和Aris公司还保留了一个典型的数据集，他们计划在每次更新模型后使用该数据集来验证其性能。验证过的模型就通过云门户网站进行更新。

SnappArt系统的成功标志着对活饲料管理的变革，它为孵化场提供了一个有效的系统，可以帮助孵化场提高盈利能力，优化生长率，提高整体生产效率。