Camera AI đo size tôm, đếm tôm ngay trên sàng ăn — sai số chỉ 1,56%

Mỗi lần muốn biết tôm cỡ nào, tăng trọng ra sao, Anh/Chị phải chài tôm lên, cân đo rồi thả xuống. Vừa mất công, vừa làm tôm stress, mà chỉ đo được một nhúm nhỏ trong cả ao. Một nhóm nghiên cứu Bồ Đào Nha vừa thử một cách khác: gắn một chiếc camera nhỏ phía trên sàng ăn, để phần mềm AI tự nhìn và tự tính. Kết quả bước đầu khá bất ngờ.

Vì sao chuyện này đáng để quan tâm?

Thức ăn chiếm từ 40% đến 65% tổng chi phí sản xuất trong nuôi tôm. Nhưng cho ăn bao nhiêu là đủ, thức ăn tôm có chịu bắt hay không, tôm đang cỡ nào — phần lớn vẫn dựa vào kinh nghiệm nhìn sàng và chài tôm định kỳ.

Cách làm thủ công có ba điểm yếu ai nuôi cũng biết: mất thời gian, chỉ lấy mẫu được một phần rất nhỏ so với cả ao, và mỗi lần chài là mỗi lần tôm bị sốc. Chưa kể khi thiếu ăn hoặc đang lột, tôm dễ ăn thịt lẫn nhau — mà dấu hiệu này thường phát hiện trễ.

Thiết bị nhóm nghiên cứu sử dụng

Trong mô hình thử nghiệm của bài báo, nhóm nghiên cứu sử dụng cấu hình sau. Đây là thiết bị phục vụ nghiên cứu, không phải cấu hình Thần Vương đề xuất để triển khai thương mại tại ao nuôi:

• Một máy tính mini Raspberry Pi (loại máy tính nhỏ bằng bàn tay, giá vài triệu đồng)
• Một camera góc rộng Raspberry Pi Camera Module 3 WIDE
• Camera đặt cách sàng ăn 94,5 cm, sàng có kích thước 32 × 25,9 cm
• Một nút bấm để chụp ảnh đúng lúc cho ăn

Điểm đáng chú ý: nhóm đã thử đặt camera trong hộp mica để chống phản chiếu mặt nước, nhưng bề mặt mica làm camera mất nét, ảnh bị mờ. Cuối cùng họ bỏ hộp mica, chỉ chỉnh vị trí đặt sàng cho khéo để giảm phản chiếu. Đây là bài học thực tế cho bất kỳ ai muốn tự lắp hệ thống tương tự.

Dạy AI "nhìn" ra con tôm trong nước đục

Nhóm chụp 1.144 tấm ảnh ở nhiều ngày, nhiều khung giờ, dưới ánh sáng tự nhiên, với hai loại thức ăn khác nhau. Sau đó họ đánh dấu thủ công từng con tôm trong ảnh để huấn luyện mô hình YOLOv8 — một dòng AI nhận diện vật thể phổ biến hiện nay.

Họ huấn luyện hai mô hình riêng biệt:

• Mô hình "hình thái tôm" — chỉ chọn ra những con tôm đang nằm duỗi thẳng, phù hợp để đo kích thước chính xác (con nào cong queo thì bỏ qua)
• Mô hình "hoạt động trong ao" — nhận diện tất cả tôm để đếm số lượng, không quan tâm tư thế

Trước đó nhóm cũng đã thử các kỹ thuật xử lý ảnh truyền thống (Canny Edge, K-means, Watershed) nhưng đều thất bại khi tôm chen chúc và chồng lên nhau — tình huống rất phổ biến trên sàng ăn thực tế.

Đo chiều dài tôm: phương pháp nào chính xác nhất?

Nhóm so sánh ba cách đo, đối chiếu với 60 con tôm đo tay thật:

Phương pháp khung bao tối thiểu (MBBox) thắng rõ rệt: sai số chỉ 1,56%, tức lệch trung bình khoảng 2 mm trên một con tôm. Cách đo đường chéo cho kết quả kém nhất vì phụ thuộc nhiều vào việc con tôm nằm nghiêng hay nằm thẳng trong khung hình.

Suy ra trọng lượng mà không cần cân

Đây là phần hữu ích nhất với người nuôi. Sau khi đo được chiều dài, hệ thống đo tiếp bề ngang thân tôm tại vị trí cách chóp đầu khoảng 31% chiều dài cơ thể — chính là vùng đầu ngực, nơi có mảng sẫm màu đặc trưng của tôm thẻ chân trắng.

Sai số đo bề ngang là 4,19% (lệch 0,15 cm). Từ dữ liệu 186 con tôm đã cân đo thật, nhóm xây dựng công thức hồi quy nối chiều dài + bề ngang → trọng lượng.

Đếm tôm trên sàng: lệch chưa tới 1 con

Với ngưỡng tin cậy 0,60, mô hình nhận diện tôm đạt độ chính xác 94,3% và độ bao phủ 93,5%. Kết quả đếm có sai lệch trung bình 0,97 con so với đếm tay — tức thường lệch chưa tới một con tôm. Sai số phần trăm trung bình là 7,17%.

Nhóm nghiên cứu thẳng thắn nêu điểm yếu: ở lần chụp có nước đục hoặc thiếu sáng, sai số vọt lên 9,23%. Ngoài ra tôm thường chồng lên nhau hoặc nấp dưới mép sàng, làm khó việc đếm. Và quan trọng: camera hiện chỉ bao quát vùng quanh sàng ăn, chưa đếm được toàn ao.

Đo "độ bắt mồi" của thức ăn — phần thú vị nhất

Nhóm thử nghiệm hai loại thức ăn: loại 1 dùng bột cá (về lý thuyết dẫn dụ mạnh hơn) và loại 2 dùng đạm thực vật. Họ đánh giá độ hấp dẫn theo hai hướng:

Cách 1: Theo dõi lượng viên thức ăn còn lại trên sàng

Phần mềm đo diện tích sàng bị viên thức ăn che phủ theo thời gian. Diện tích giảm nhanh = tôm ăn mạnh. Quan sát thực tế xác nhận thức ăn bột cá được ăn gần hết, còn thức ăn đạm thực vật vẫn còn dư viên trên sàng.

Cách 2: Theo dõi số tôm tập trung quanh sàng

Với thức ăn bột cá, lượng tôm quanh sàng giảm khoảng 40% sau khoảng 5 phút — dấu hiệu tôm đã ăn xong và bỏ đi, một diễn biến bình thường. Với thức ăn đạm thực vật, tôm vẫn quanh quẩn ở sàng nhưng thức ăn còn dư nhiều hơn — tức là tôm có tới nhưng không ăn hết.

Nuôi Lời đang làm được tới đâu

Trên phần mềm nhật ký ao nuôi nuoiloi.vn của Thần Vương, phần đang chạy thực tế là đếm tôm trong nhá qua video. Người nuôi nhấc nhá lên, quay một đoạn clip ngắn; phần mềm đếm số tôm trên nhiều khung hình rồi đề xuất con số kèm mức độ tin cậy, và cảnh báo khi các khung lệch nhau nhiều. Chủ ao xem lại, sửa nếu thấy chưa đúng rồi mới ghi vào nhật ký — máy không tự ghi thay người.

Hệ thống cũng có thể kết nối camera quan sát dưới nước đặt tại nhá ăn, thay cho việc nhấc nhá quay tay mỗi cữ.

Nói rõ để Anh/Chị khỏi hiểu nhầm: những chỉ số như cỡ tôm, tốc độ tăng trọng hay thời gian bắt mồi là điều nghiên cứu trên đã chứng minh camera làm được — chưa phải tính năng Nuôi Lời đang cung cấp. Phần đang có là đếm tôm trong nhá, và con số đó nằm ngay trong nhật ký, cạnh lượng thức ăn, chỉ tiêu môi trường và lịch sử bệnh của chính ao đó.

Anh/Chị xem thử tại nuoiloi.vn, hoặc trao đổi thêm với đội kỹ thuật Thần Vương — 0867 957 568.

Còn những gì chưa làm được?

Đây không phải sản phẩm thương mại hoàn chỉnh. Nhóm tác giả liệt kê rõ các hạn chế và hướng cải tiến:

• Camera đặt trên mặt nước nên bị phản chiếu; đưa camera xuống nước trong hộp chống thấm sẽ cho ảnh tốt hơn
• Cách nhận diện viên thức ăn bằng màu sắc (HSV) rất nhạy với thay đổi ánh sáng — cần thay bằng mô hình học sâu
• Cần thêm dữ liệu ảnh, đặc biệt là ảnh tôm nằm duỗi thẳng, để mô hình chính xác hơn
• Nên có người kiểm tra lại ảnh đo để loại bỏ trường hợp mặt nước gợn làm méo hình
• Ao nuôi thương phẩm thường có đèn chiếu sáng nhân tạo ổn định — điều này sẽ khắc phục phần lớn lỗi do biến động ánh sáng mà nghiên cứu gặp phải

Kết luận khảo sát thực tế: Thần Vương làm được gì?

Kết luận ngắn: công nghệ camera AI trên sàng ăn có thể triển khai tại Việt Nam, nhưng phải xem đây là một hệ thống lấy mẫu có kiểm soát — không phải chiếc camera có thể nhìn xuyên nước đục hoặc đếm toàn bộ tôm trong ao. Camera chỉ đếm, đo những con xuất hiện rõ trong vùng quan sát; từ mẫu đó phần mềm theo dõi xu hướng cỡ tôm, mức tập trung quanh sàng và thời gian bắt mồi.

Kết quả sai số 1,56% trong bài nghiên cứu là kết quả ở cấu hình thử nghiệm có kiểm soát, không phải mức chính xác mặc định cho mọi ao thương phẩm. Nghiên cứu thực địa mới hơn cũng cho thấy đo chiều dài dưới nước có thể đạt MAPE khoảng 3,16% và dự đoán khối lượng khoảng 10,58%, nhưng phải có hiệu chỉnh méo ảnh, mốc kích thước và cơ chế loại khung hình nước đục. Vì vậy, mọi chỉ số của Thần Vương phải được nghiệm thu lại trên chính điều kiện ao Việt Nam trước khi dùng để điều chỉnh khẩu phần.

Điều kiện tối thiểu để hệ thống chạy ổn định

• Camera cố định đúng độ cao/góc nhìn, vỏ chống nước phù hợp và có tấm chuẩn kích thước trong cùng mặt phẳng với tôm.
• Đèn tán xạ ổn định; hạn chế bóng quạt, phản sáng mặt nước, bọt khí và bùn bám ống kính.
• Sàng có nền tương phản, kích thước chuẩn và lượng tôm quan sát vừa phải để giảm chồng lấp.
• Phần mềm tự chấm điểm chất lượng ảnh; khung hình đục, rung, lóa hoặc tôm chồng nhiều phải bị loại thay vì cố đưa ra con số.
• Dữ liệu AI phải được đối chiếu định kỳ bằng chài mẫu, cân và đo tay. Người nuôi hoặc kỹ thuật viên duyệt trước khi số liệu được ghi vào nhật ký.

Lộ trình Thần Vương có thể triển khai

1. Giai đoạn 1 — Pilot bằng điện thoại/clip nhá: thử tại 2–4 ao trong 6–8 tuần, thu ảnh nhiều cỡ tôm, màu nước, thời điểm và loại sàng; đếm/đo tay song song để tạo bộ dữ liệu chuẩn Việt Nam.
2. Giai đoạn 2 — Camera cố định tại sàng: bổ sung camera chống nước, đèn ổn định, tấm hiệu chuẩn và máy xử lý tại trại; tự động gửi kết quả vào Nuôi Lời nhưng vẫn yêu cầu người dùng xác nhận.
3. Giai đoạn 3 — Hỗ trợ quyết định cho ăn: kết hợp số tôm trên sàng, phân bố size, thức ăn dư, DO, nhiệt độ, thời tiết và lịch sử cữ ăn để đề xuất tăng/giảm khẩu phần. Hệ thống chỉ đề xuất, không tự điều khiển máy cho ăn khi chưa có lớp an toàn và người chịu trách nhiệm duyệt.

Tiêu chí đề xuất để quyết định có thương mại hóa

Thần Vương nên công bố trước tiêu chí go/no-go cho pilot: tỷ lệ khung hình dùng được từ 80% trở lên; sai số đếm MAPE không quá 10% ở mẫu không chồng lấp nặng; sai số chiều dài MAPE không quá 5%; và hệ thống phải cảnh báo “không đủ chất lượng để đo” thay vì trả số giả. Đây là mục tiêu nghiệm thu đề xuất, chưa phải kết quả đã đạt tại ao.

Vì sao có thể nói Thần Vương làm được? Các thành phần cốt lõi đều đã khả dụng: camera và máy tính edge có chi phí phù hợp, mô hình nhận diện/segmentation đã được kiểm chứng trong nghiên cứu, còn Nuôi Lời đã có luồng ghi nhận clip và nhật ký ao. Phần cần đầu tư tiếp không phải “phát minh lại AI”, mà là thiết kế cụm camera phù hợp ao Việt Nam, thu bộ dữ liệu thực địa, hiệu chuẩn theo từng sàng và tổ chức nghiệm thu độc lập.

Do đó, cam kết phù hợp ở thời điểm này là: Thần Vương có thể chế tạo nguyên mẫu, triển khai pilot và tích hợp kết quả vào Nuôi Lời. Sau khi đạt KPI ở nhiều ao, nhiều màu nước và nhiều cỡ tôm, hệ thống mới đủ cơ sở chuyển thành sản phẩm thương mại hỗ trợ giảm công chài mẫu, theo dõi tăng trưởng và kiểm soát chi phí thức ăn.

Trang trại muốn tham gia pilot có thể đăng ký cùng đội kỹ thuật Thần Vương. Mỗi điểm thử cần cung cấp loại ao, diện tích, độ sâu, màu nước, loại sàng, cỡ tôm dự kiến và lịch chài mẫu để xây bộ dữ liệu đối chứng.

Tài liệu đối chiếu thêm: mô hình ước lượng khối lượng tôm sống trên sàng tự động trong ao đất; hệ thống camera dưới nước đo kích thước và khối lượng tôm theo thời gian thực (2026).