플러스프로젝트 배경
1) 문제점 - 하루 3~4회 수동 급이 — 작업자 상주, 숙련도·경험 의존, 야간 대응 어려움 - 산소·펌프 상시 가동(약 12.4kWh/시간)으로 전력 운영비 부담 - 급이량이 수온·DO·체중과 무관하게 결정되어 과·소급이 반복 - 어류 행동 라벨 0건 — 행동 기반 AI 판단 근거 자체가 부재 - 수질 이상 발생 후에야 가동하는 사후 대응 구조 → 확산·폐사 리스크 2) 프로젝트 목표 -
프로젝트 성과
수질 예측 오차 29배 개선
Chronos-Bolt zero-shot + Conformal로 LSTM MSE 0.0668 → 0.0023
전력량 22.6% 절감 예상
30분 선행 예측 기반 선택 가동, 연간 약 24.5MWh·343만원 절감 추정
PPO 보상 3배·안전위반 0건
평균 보상 4,252 → 12,543, 24h rollout 안전위반 0건 재현
무라벨 행동 인식 파이프라인
SAM2+DINOv2+HDBSCAN으로 라벨링 비용 없이 행동 상태값 생성
운영 콘솔 12개 화면 풀스택
모니터링·시뮬레이션·영상 분석·출력 분석 등 Next.js 웹 구축
핵심 기능
무라벨 어류 행동 인식 (영상 AI)
- SAM2로 수중 영상에서 개체 mask를 추출해 라벨 없이 관찰점 생성
- DINOv2+HDBSCAN 군집으로 정상유영·저활동 행동 상태값을 자동 산출
- DINOv2+HDBSCAN 군집으로 정상유영·저활동 행동 상태값을 자동 산출
진행 단계
문제 정의·현장 데이터 분석
2026.05
RAS 운영 진단, 30시간 수질·영상 데이터 확보 및 라벨 부재 이슈 정리
프로젝트 상세
AquaSmart-RAS는 순환여과식(RAS) 양식장의 사료 공급을 사람이 아닌 AI가 스스로 판단하도록 만든 영상·수질 융합 자동 제어 알고리즘입니다. 수중 카메라 영상으로 어류의 행동을 읽고, 수질을 30분 앞서 예측한 뒤, 강화학습 정책이 "지금 얼마를 줄지, 산소 발생기를 돌릴지"를 결정합니다. 그 결과 전력량·인력·안전 리스크를 동시에 낮추는 것이 목표였습니다. 현장의 문제는 명확했습니다. 기존
