| 作品介紹 |
本作品「台灣魚市魚體體長自動化量測系統」聚焦於解決台灣漁業資源因過度捕撈與海洋生態惡化而面臨的挑戰。隨著環境變遷與不當漁業行為的增加，許多魚類在尚未達到成熟體長前即被捕獲，導致市場上魚體普遍偏小，並使生態系統平衡受到影響。本系統旨在協助漁業管理單位與研究人員能夠精確追蹤魚類的成長情況，以支持更科學的漁業管理決策。系統利用人工智慧與深度學習技術，提供魚體自動偵測、魚種辨識以及精準的體長量測功能，實現了一個即時、準確的數據監測平台。
傳統的魚體長度量測多依賴人工標記及量測，研究人員通常使用圖片分析軟體（如 Adobe Photoshop）手動標記魚體特徵點進行測量。然而，這種方法耗時費力，且在魚體數量眾多或拍攝角度不理想時，難以保證精確性與一致性。為解決這些問題，本系統結合了 Intel RealSense Lidar 深度攝影技術與先進的電腦視覺模型進行 3D 點雲數據解析。系統首先通過深度相機捕捉三維點雲數據，將其轉換為 2D 影像進行初步處理，並利用 3D Spline 插值法補足因轉換而遺失的細節，確保影像精度。隨後，通過 Mask R-CNN 模型進行語意分割，將魚體精確地從影像中分割出來，再運用 DenseNet 模型辨識魚種，目前系統支持辨識 12 種常見魚種，可適應多種拍攝條件與環境變化。
在完成魚體分割與辨識後，系統進一步將影像轉換為 Mesh 檔案，透過 Deep-MVLM 模型自動偵測魚體特徵點（如魚吻部與尾鰭凹入處）來計算尾叉長度，避免了魚鰭過長或拍攝角度偏差所造成的測量誤差，確保數據精準度並將誤差控制在 3% 以內。量測與辨識結果將同步存入 MySQL 資料庫，為研究人員提供可追溯的歷史數據，便於分析捕撈趨勢與魚類生長變化。
本系統的創新之處在於將深度學習與電腦視覺技術運用於海洋生態監測，為海洋資源管理提供一種科學、精確且高效的數據支持。未來，我們將持續擴展魚種辨識的範疇，優化模型在不同環境中的適應能力，並加強資料庫的查詢與分析功能，使系統能靈活應對不同魚種及地區的監測需求，助力於台灣海洋資源的永續管理與保育。透過此系統，漁業管理單位與研究人員可大幅減少人工測量的時間成本，提升數據的精確度，進一步支持台灣在漁業資源管理上做出更具前瞻性的決策，最終促進台灣海洋資源的永續發展，並為全球海洋生態保育貢獻力量。 |