Phát hiện bệnh sớm và chính xác là rất quan trọng để quản lý sức khỏe tôm và đảm bảo tính bền vững của nghề nuôi. Trong khi xử lý hình ảnh đã được khám phá, các mô hình hiện tại thường gặp khó khăn về độ chính xác, đặc biệt là khi phát hiện nhiều bệnh hoặc xác định các triệu chứng khó phát hiện.

Phát hiện bệnh sớm và chính xác là rất quan trọng để quản lý sức khỏe tôm

Các nhà nghiên cứu từ Cao đẳng Kỹ thuật E.G.S. Pillay, Viện Khoa học và Công nghệ SRM và Cao đẳng Kỹ thuật Đại học đã phát triển một phương pháp mới sử dụng trí tuệ nhân tạo (AI) tiên tiến để giải quyết thách thức này, cung cấp một phương pháp mạnh mẽ và chính xác hơn để xác định nhiều loại bệnh tôm khác nhau.

Thách thức: Phát hiện sớm và chính xác

Việc xác định bệnh tôm nhanh chóng là một thách thức. Các phương pháp truyền thống, chẳng hạn như kiểm tra thủ công hoặc xét nghiệm sinh hóa, có thể chậm và tốn nhiều công sức. Ngay cả các hệ thống tự động hiện có sử dụng xử lý hình ảnh và các mô hình học sâu tiêu chuẩn như Mạng nơ-ron tích chập (CNN) cũng có những hạn chế. Chúng có thể gặp khó khăn trong việc:

- Ghi lại các mối quan hệ không gian phức tạp trong hình ảnh, đặc biệt là khi các triệu chứng khó phát hiện hoặc rải rác.

- Xử lý các biến thể về chất lượng hình ảnh do ánh sáng, nhiễu hoặc các yếu tố khác.

- Phát hiện chính xác nhiều loại bệnh bằng một mô hình duy nhất.

- Những hạn chế này cản trở việc can thiệp kịp thời và có thể dẫn đến tổn thất đáng kể trong các trang trại nuôi tôm.

Một giải pháp AI mới: Mạng lưới nang hồi quy nâng cao (ERCN)

Để khắc phục những trở ngại này, các nhà nghiên cứu đã đề xuất một mô hình mới có tên là Mạng nang hồi quy nâng cao (ERCN), kết hợp với thuật toán tối ưu hóa lai. Mô hình học sâu này được thiết kế riêng để giải quyết sự phức tạp của việc phát hiện bệnh ở tôm.

Trích xuất tính năng nâng cao

Không giống như CNN truyền thống, ERCN sử dụng mạng nang để hiểu rõ hơn các mô hình không gian và hệ thống phân cấp trong hình ảnh tôm (chẳng hạn như vị trí và hướng của các chỉ số bệnh). Nó cũng kết hợp một lớp hồi quy (cụ thể là LSTM) để phân tích các phụ thuộc về thời gian, cho phép nó theo dõi cách các triệu chứng bệnh phát triển theo thời gian trong các chuỗi hình ảnh.

Cơ chế

Mô hình tận dụng các cơ chế chú ý không gian và kênh, hoạt động như các công cụ đánh dấu, giúp nó tập trung vào các phần có liên quan nhất của hình ảnh tôm (ví dụ: các đốm cụ thể hoặc đổi màu mang) và các tính năng cung cấp nhiều thông tin nhất để phân biệt các bệnh trong khi bỏ qua tiếng ồn nền không liên quan.

Hợp nhất tính năng

Thông tin về các chi tiết cục bộ (từ nang) và bối cảnh toàn cầu/thời gian (từ lớp hồi quy) được kết hợp thông qua quy trình hợp nhất tính năng hai cấp để cải thiện độ chính xác.

Tối ưu hóa

Để tối đa hóa hiệu suất, thuật toán tối ưu hóa lai kết hợp Harris Hawks Optimization (HHO) và Marine Predators Algorithm (MPA) được sử dụng. Thuật toán này tinh chỉnh thông minh các tham số của ERCN để đạt được độ chính xác cao nhất có thể.

Phân loại

Các tính năng hợp nhất cuối cùng được đưa vào lớp phân loại để xác định bệnh cụ thể hiện diện (hoặc không có).

Kết quả ấn tượng

Các nhà nghiên cứu đã thử nghiệm mô hình ERCN được tối ưu hóa của họ bằng cách sử dụng tập dữ liệu gồm 1.599 hình ảnh bao gồm sáu bệnh tôm phổ biến:

- Hội chứng mang đen

- Virus hội chứng Taura (TSV)

- Virus hội chứng đốm trắng (WSSV)

- Virus đầu vàng (YHV)

- Virus hoại tử cơ quan tạo máu và hạ bì truyền nhiễm (IHHNV)

- Vibriosis

Tôm thẻGiải pháp AI mới: Mạng lưới nang hồi quy nâng cao (ERCN)

Kết quả rất hứa hẹn

- Độ chính xác cao: Mô hình đạt được độ chính xác phát hiện bệnh tổng thể là 95,2%.

- Chỉ số hiệu suất mạnh mẽ: Mô hình thể hiện độ chính xác tuyệt vời (94,9%), khả năng thu hồi (93,5%) và điểm F1 (94,6%).

- Ưu điểm so với các mô hình hiện có: ERCN vượt trội hơn đáng kể so với các mô hình học sâu thông thường như CNN, RNN, LSTM, GRU và VGG16 trong các thử nghiệm so sánh. Ví dụ, độ chính xác của nó cao hơn từ 3% đến 5% so với các phương pháp tiêu chuẩn này.

- Tác động của Tối ưu hóa và Chú ý: Các nghiên cứu cắt bỏ đã xác nhận rằng cả cơ chế tối ưu hóa lai và chú ý đều nâng cao đáng kể hiệu suất của mô hình. Chỉ riêng tối ưu hóa đã cải thiện độ chính xác hơn 6%, trong khi việc thêm cả hai mô-đun chú ý đã thúc đẩy độ chính xác hơn nữa với biên độ tương tự so với mô hình cơ sở không có sự chú ý.

- Tiềm năng thời gian thực: Mô hình cho thấy triển vọng ứng dụng thực tế, với thời gian phát hiện trung bình là 58 ms cho mỗi hình ảnh (khoảng 17 khung hình mỗi giây) trên phần cứng được thử nghiệm.

Ý nghĩa đối với nuôi tôm

Nghiên cứu này thể hiện sự tiến bộ đáng kể trong phát hiện bệnh tôm tự động. Mô hình ERCN được tối ưu hóa cung cấp một công cụ mạnh mẽ cho:

- Cảnh báo sớm: Phát hiện các bệnh như Virus đốm trắng (WSSV), Virus đầu vàng (YHV) hoặc Vibriosis nhanh hơn và chính xác hơn so với các phương pháp trước đây.

- Quản lý được cải thiện: Cho phép người nuôi trồng thủy sản hành động kịp thời, có khả năng giảm tỷ lệ tử vong và đảm bảo năng suất trang trại.

- Giám sát nhiều bệnh: Cung cấp một hệ thống duy nhất, mạnh mẽ có khả năng xác định nhiều loại bệnh tôm phổ biến.

Mặc dù mô hình có độ phức tạp tính toán cao hơn các thuật toán đơn giản hơn, nhưng hiệu suất phát hiện vượt trội của nó chứng minh được việc sử dụng nó. Các nghiên cứu trong tương lai có thể tập trung vào việc tối ưu hóa hiệu quả tính toán của nó hơn nữa.

Nghiên cứu này trình bày một mô hình được tối ưu hóa có tên là Mạng nang hồi quy nâng cao (ERCN) để phát hiện nhiều loại bệnh tôm khác nhau. Mô hình ERCN được tối ưu hóa có thể nắm bắt hiệu quả cả các đặc điểm không gian (các mẫu trong hình ảnh) và các đặc điểm thời gian (thay đổi theo thời gian) từ các hình ảnh phân đoạn của tôm bị bệnh.

Kết quả thử nghiệm chứng minh hiệu suất vượt trội của mô hình được đề xuất. Nó đạt được độ chính xác phát hiện 95,2%, vượt qua các mô hình hiện có như CNN, RNN, LSTM, GRU và VGG16 (có độ chính xác dao động từ 89,8% đến 92,3%). Nghiên cứu kết luận rằng mô hình ERCN được tối ưu hóa với tối ưu hóa lai là một công cụ có hiệu quả cao và chính xác để phát hiện nhiều bệnh ở tôm, vượt trội hơn các kỹ thuật học sâu thông thường.

L.X.C