| 大規模水揚げ市場への自動撮像装置の導入、実証実験を開始 |
|
資源評価に必要な体長組成を調査員の数に依存せず、効率的に得るために、自動撮像装置を長崎県松浦市にある (株) 西日本魚市の漁獲物を運ぶベルトコンベアに設置し、魚体画像収集の実証実験を開始しました。 |
| 担当者名 |
(国研) 水産研究・教育機構 水産資源研究所 水産資源研究センター 漁業情報解析部 情報企画グループ |
連絡先 |
Tel.045-788-7916 |
| 推進会議名 |
全国 |
専門 |
資源管理 |
研究対象 |
魚類 |
分類 |
普及 |
| 「研究戦略」別表該当項目 |
1(1)水産資源の持続的利用のための管理技術の開発 |
[背景・ねらい]
ある魚種の現在の漁獲量がその資源状態に対して持続的な水準かどうか評価することを「資源評価」と呼びます。資源評価では、漁獲された魚の体長組成(数 cm 刻みで設定された体長階級幅ごとの魚の尾数)が重要なデータの一つなのですが、現状では調査員が手で直接魚体を測定することで取得しています。すなわち、経費削減等の問題で調査員の人数が減少すると測定尾数も減少し、資源評価結果の不確実性が上昇する危険性をはらんでいます。近年、調査員の人数に依存しない方法として、深層学習を用いて魚体画像から体長組成を推定する研究が報告されています。本研究では、体長組成を推定するために必要な魚体画像を収集することを目的として自動撮像装置を長崎県松浦市に設置し、実証実験を開始しました。
[成果の内容・特徴]
松浦市および(株)西日本魚市の許可を得て、2024 年 10 月 2 日に松浦魚市場での漁獲物水揚げに使用されているベルトコンベア上に自動撮像装置を設置しました(図 1)。設置後、毎月我々が調査に出向き機器の動作確認や設定調整を行い、これまでに合計 8 万枚程度の画像データを取得しました(図 2)。そのうち 8000 枚程度を魚体検出と体長推定を行う AI(人工知能)モデルの教師データとして準備しました。今後、我々が現地に出向くことなく画像データを得られるよう、ネットワークを通じたデータ転送・保守点検環境を整備する予定です。自動撮像装置の設置と併せて AI モデルの改良を実施し、その成果を公表しました。大量の画像を瞬時に解析し、重複や見切れによる魚体の欠損を排除することで(図 3)、高精度の体長組成を短時間で入手できるようになりました。
[成果の活用面・留意点]
本成果により、調査員が現場で時間と労力をかけて体長組成を取得する必要がなくなり、労働時間と経費の節約になります。調査員の都合に関係なく、24 時間体制で画像を収集できるようになるため、調査をしづらい時間帯や時期というものがなくなり、体長組成の頑健性が向上します。資源評価精度の向上を通して、改正漁業法の下での適切な資源管理へ向けた行政官・漁業者らによる議論に対し、より正確な科学的助言を提供することが可能になります。
[その他]
発表論文等:Shibata et al. (2024). Length estimation of fish detected as non-occluded using a smartphone application and deep learning method. Fisheries Research, 273, 106970. https://doi.org/10.1016/j.fishres.2024.106970
|
| [具体的データ] |
 図1
|
松浦魚市場のベルトコンベア上に設置した撮像装置
|
|
 図2
|
自動撮像装置から得られる魚体画像例
|
|
 図3
|
AIモデルによる魚体画像の解析例. 検出された魚体は赤塗で示され、見切れのない魚体には「F-100」、それ以外には「F-other」の識別ラベルが付与されている。ラベルの数字は検出の確からしさを表す。
|
|
|
|
|