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.
Nguồn nghiên cứu: Correia B., Pacheco O., Rocha R.J.M., Correia P.L. (2025). Image-Based Shrimp Aquaculture Monitoring. Tạp chí Sensors, 25(1), 248. DOI: 10.3390/s25010248. Nghiên cứu được thực hiện trên tôm thẻ chân trắng Penaeus vannamei tại trung tâm nghiên cứu RiaSearch (Bồ Đào Nha). Bài viết dưới đây do Thần Vương biên dịch và lược thuật cho người nuôi tôm Việt Nam.
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
Hình 1. Bố trí hệ thống hoàn chỉnh: (a) tổng thể giàn đặt camera trên bể nuôi; (b) cụm máy tính Raspberry Pi và camera; (c) một tấm ảnh chụp được từ hệ thống. Nguồn: Correia et al., Sensors 2025 (CC BY 4.0).
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:
Hình 2. Ba cách đo chiều dài tôm: (a) đường chéo khung chữ nhật; (b) khung bao tối thiểu — ôm sát đầu và đuôi tôm; (c) dò đường thẳng dọc thân bằng biến đổi Hough. Nguồn: Correia et al., Sensors 2025 (CC BY 4.0).
Phương pháp đoSai số trung bình (MAPE)Sai lệch tuyệt đốiKhung bao tối thiểu (MBBox) — khung ôm sát đầu và đuôi tôm1,56%0,23 cmĐường Hough — dò đường thẳng dọc thân tôm2,95%0,44 cmĐường chéo khung chữ nhật10,87%1,58 cm
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.
Hình 3. Cách đo bề ngang: phần mềm kẻ đường cắt ngang thân tại vị trí cách hai đầu khung bao 31% chiều dài, rồi lấy đường dài hơn làm số đo. Nguồn: Correia et al., Sensors 2025 (CC BY 4.0).
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.
Ý nghĩa thực tế
Ước lượng size tôm mà không cần chài, không cần vớt tôm lên khỏi ao
Tôm không bị stress, không gián đoạn nhịp ăn
Theo dõi được tăng trọng liên tục theo ngày thay vì vài lần mỗi vụ
Thay thế cách làm truyền thống phải lấy mẫu tới 30% quần đàn
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%.
Hình 4. AI khoanh vùng từng con tôm trên sàng ăn để đếm — sàng ăn viền đỏ, tôm viền vàng. Nguồn: Correia et al., Sensors 2025 (CC BY 4.0).
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.
Hình 5. Diện tích sàng còn phủ viên thức ăn theo thời gian cho ăn. Đường xanh lá là thức ăn bột cá (loại 1), đường xanh dương là thức ăn đạm thực vật (loại 2). Nguồn: Correia et al., Sensors 2025 (CC BY 4.0).
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.
Hình 6. Tỷ lệ tôm tập trung trong khu vực sàng ăn theo thời gian. Đường xanh lá là thức ăn bột cá (loại 1) — tôm ăn xong rồi rời đi; đường xanh dương là thức ăn đạm thực vật (loại 2) — tôm vẫn quanh quẩn nhưng thức ăn còn dư. Nguồn: Correia et al., Sensors 2025 (CC BY 4.0).
Lưu ý quan trọng: Nhóm nghiên cứu nhấn mạnh phần đánh giá độ bắt mồi mới ở mức định tính, chưa phải con số chính xác tuyệt đối. Cách đếm viên thức ăn dễ bị nhiễu bởi thay đổi ánh sáng và bóng đổ; cách đếm tôm thì ổn định hơn nhưng có nhược điểm là tôm ở gần sàng chưa chắc đang ăn.
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.
Anh chị dùng miễn phí đếm tôm, quản lý farm, doanh nghiệp: http://nuoiloi.vn
Anh/Chị cần tư vấn kỹ thuật cho ao nuôi?
Tư vấn AI 24/7 — hỏi đáp kỹ thuật, phác đồ, sản phẩm bất cứ lúc nào tại:
thanvuong.vn/vi/products
Hotline: 0867 957 568 | thanvuong.vn
Nguồn: Correia, B.; Pacheco, O.; Rocha, R.J.M.; Correia, P.L. Image-Based Shrimp Aquaculture Monitoring. Sensors 2025, 25(1), 248. https://doi.org/10.3390/s25010248 — Xem toàn văn trên PubMed Central
Bài gốc được xuất bản theo giấy phép Creative Commons Attribution 4.0 (CC BY 4.0), cho phép biên dịch và đăng lại khi ghi rõ nguồn. Bản tiếng Việt do Thần Vương lược dịch và biên soạn lại cho người nuôi tôm; mọi số liệu được giữ nguyên theo bản gốc.
Toàn bộ hình minh hoạ trong bài là hình gốc của nhóm tác giả (Hình 3, 7, 8, 10, 12, 13 trong bản gốc), được sử dụng lại theo giấy phép CC BY 4.0 kèm ghi nguồn. Phần chú thích hình bằng tiếng Việt do Thần Vương biên soạn.
Bộ dữ liệu ảnh ShrimpFarming được nhóm tác giả công bố miễn phí cho mục đích nghiên cứu tại img.lx.it.pt/ShrimpFarming.
