PHÁT TRIỂN HỆ THỐNG NHẬN DIỆN TRẠNG THÁI ĐÀN CÁ VÀ DỰ ĐOÁN NHU CẦU THỨC ĂN PHỤC VỤ ĐIỀU TIẾT CHO ĂN TỰ ĐỘNG
Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Lai Trung Tín |
| Người hướng dẫn | Trần Nguyễn Minh Thư |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2026 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
Trong thực tế, quá trình cho cá ăn trong mô hình nuôi cá lồng bè hiện nay chủ yếu dựa vào kinh nghiệm quan sát của người nuôi, dẫn đến sai lệch trong việc xác định thời điểm và lượng thức ăn phù hợp, từ đó gây ra tình trạng dư thừa hoặc thiếu hụt thức ăn, làm tăng chi phí và ảnh hưởng đến chất lượng môi trường nước. Đề tài này hướng đến việc xây dựng một hệ thống hỗ trợ điều tiết cho ăn tự động dựa trên phân tích hành vi đàn cá từ dữ liệu video kết hợp với phát hiện thức ăn dư trên mặt nước. Ba mô hình học sâu gồm ViViT, ConvNeXt kết hợp GRU và UniFormerV2 được triển khai cho bài toán phân loại hành vi, trong khi mô hình YOLO được sử dụng cho bài toán phát hiện thức ăn dư. Kết quả thực nghiệm cho thấy các mô hình phân loại đều đạt hiệu năng tốt, trong đó ConvNeXt kết hợp GRU cho sự cân bằng tối ưu giữa độ chính xác và tốc độ xử lý. Đồng thời, mô hình YOLO cho khả năng phát hiện hiệu quả các vùng thức ăn dư trong điều kiện môi trường phức tạp. Dữ liệu được thu thập từ các bè nuôi cá điêu hồng tại Vĩnh Long và gán nhãn thành ba trạng thái hành vi chính gồm: đói, ăn mạnh và ăn yếu. Tập dữ liệu video gồm 876 video ngắn, một tập dữ liệu ảnh được xây dựng cho bài toán phát hiện thức ăn dư, bao gồm 5400 hình ảnh được gán nhãn bounding box thể hiện vị trí thức ăn dư trên mặt nước. Kết quả cao đạt được cho mô hình phân loại hành vi đạt được lên tới 96,27% ở mô hình ConvNeXt kết hợp GRU, phần nào đánh giá được hiệu quả của mô hình và tiềm năng ứng dụng được thực tế. In practice, fish feeding processes in floating cage aquaculture systems are still largely based on farmers’ observational experience, which can lead to inaccuracies in determining the appropriate feeding time and quantity. This often results in overfeeding or underfeeding, increasing operational costs and negatively impacting water quality. This study aims to develop an automated feeding regulation support system based on fish behavior analysis from video data combined with uneaten feed detection on the water surface. Three deep learning models, including ViViT, ConvNeXt combined with GRU, and UniFormerV2, were implemented for behavior classification, while YOLO was employed for uneaten feed detection. Experimental results showed that all classification models achieved strong performance, with the ConvNeXt combined with GRU model providing the best balance between accuracy and processing speed. Meanwhile, the YOLO model demonstrated effective detection of uneaten feed under complex environmental conditions. The dataset was collected from red tilapia farming cages in Vinh Long and annotated into three primary behavioral states: hungry, active feeding, and weak feeding. The video dataset consists of 876 short clips, while an image dataset was constructed for the uneaten feed detection task, comprising 5,400 images labeled with bounding boxes indicating leftover feed regions on the water surface. The highest performance for behavior classification reached 96.27% with the ConvNeXt combined with GRU model, demonstrating the effectiveness of the proposed approach and its potential for practical applications.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- XÂY DỰNG WEBSITE KINH DOANH VÀ BẢO HÀNH LINH KIỆN MÁY TÍNH CÓ TÍCH HỢP CHATBOT
- WEBGIS HỖ TRỢ QUẢN LÝ PHIÊN BẢN DỮ LIỆU KHÔNG GIAN
- ỨNG DỤNG PHOBERT ĐỂ KIỂM TRA ĐẠO VĂN TRONG VĂN BẢN TIẾNG VIỆT
- Thiết kế kĩ thuật Nhà điều hành và sản xuất phần mềm Hà Nội
- HỆ THỐNG QUẢN LÝ ĐĂNG KÝ SỬ DỤNG XE Ô TÔ TRƯỜNG ĐẠI HỌC CẦN THƠ TRÊN DI ĐỘNG VÀ WEB
- WEBSITE KINH DOANH ĐỒ DÙNG ĐIỆN DÂN DỤNG
- ỨNG DỤNG CHIA SẺ - TRAO ĐỔI SÁCH VÀ TÀI LIỆU HỌC TẬP
- HỆ THỐNG HỖ TRỢ KINH DOANH THỨC ĂN NHANH TRỰC TUYẾN
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.