仔稚魚物種辨識及體長測量自動化系統的建置

Abstract

仔稚魚作為低營養階層以及環境敏感指標的物種，會透過由下而上的級聯反應(cascade effect)影響中、高階層的物種進而影響整個生態系；因此，仔稚魚對於了解海洋生態系統營養階層的動態以及與環境變化的關係至關重要。魩鱙漁業是亞洲地區重要且特殊的沿海漁業，考量如何平衡資源利用與永續發展，以及社會經濟與生態保育等多個面向，成為產官學界重要的課題。此外，混獲，即捕捉到非魩鱙漁業主要目標物種的鯷鯡科，也是另一個備受關注的議題。然而，長期的仔稚魚研究和即時的資源評估最大的困難是快速的物種識別和體長測量，因為辨識物種需要專業的辨識能力，且仔稚魚眾多的數量也導致測量需要花費大量時間。隨著科技的進步，神經網路(Neural Networks)成為自動化上述過程的一個可能性。因此，本研究的目的是採用深度學習的方法來建置仔稚魚物種辨識和體長測量的系統。我們收集了2018年至2020年台灣 35 種仔稚魚的影像資料共34580筆記錄作為數據集(Dataset)，並將數據集依照70%-20%-10%分割成訓練集(Training set)、驗證集(Validation set)及測試集(Testing set)且建立了一個卷積神經網絡(Convolutional Neural Networks)模型，接著結合生物及生態資訊來試圖提高模型的準確性(Accuracy)和精度(Precision)。此外，我們收集了另一筆獨立的仔稚魚影像資料用於測試最終模型的泛化性(Generalization)。最後，使用自動體長測量模型分析2020年宜蘭梗訪秋漁期的主要魩鱙漁獲魚種來展示模型的適用性(Applicability)，並進一步透過體長頻度資料計算物種成長參數。結果顯示，最終模型的準確率在物種和科別層級上，分別達到了95.5% 和99.6%。體長自動測量和手動測量相比下其精度誤差在 3.5%以內。在實際應用情況下，該模型在科別層級上仍然達到了99.8%的準確率，而在物種層級上只有77.9%的準確率。此外，使用自動體長測量模型分析時，異葉公鯷(Encrasicholina heteroba)和刺公鯷(Encrasicholina punctifer)的體長分佈顯示出週期性變化且產卵間隔約為 2.5週，日本鯷(Engraulis japonicus)則因為數量少無法觀察到週期性的變化。儘管在獨立數據集上的表現較差，我們的結果仍證明了使用深度學習技術來自動化仔稚魚物種辨識和體長測量的潛力，不僅可以有效地獲取基礎的生態資訊，如物種組成與族群體長分佈，並進一步提供即時的管理策略。但是，此系統仍然需要更多的研究來改善物種辨識中的較差泛化能力，並提高體長測量的精準度。