На лососёвой ферме с 20 садками и 500 000 особей ежедневный обход занимает 6–8 часов персонала. Пропуск ранних симптомов болезни — например, SRS или IHN — приводит к потерям в сотни тысяч долларов. Мы разработали AI-систему, которая мониторит здоровье рыб 24/7 с помощью подводных камер и компьютерного зрения. Наш опыт включает более 30 внедрений в Норвегии, Чили и Канаде. Система снижает кормовые затраты на 10–15% и сокращает смертность до 70% в первые 48 часов. Гарантия на оборудование — 12 месяцев, сертификаты подтверждают надёжность.
Подводные камеры с CV-аналитикой мониторят непрерывно, фиксируя малейшие изменения поведения и внешнего вида. Каждая ферма уникальна — мы адаптируем решение под ваши садки, глубину, освещение и вид рыбы.
В этой статье разберём, какие именно показатели мы отслеживаем, какие технические проблемы решаем при съёмке под водой и как интегрируем систему с кормлением.
Как видеоаналитика работает в мутной воде?
Снимки в воде — это не то же самое, что на воздухе. Специфика:
- Рассеивание света: на глубине 4–6 м цвета смещаются в синий/зелёный спектр, красный канал затухает экспоненциально.
- Взвесь частиц: мутная вода даёт артефакты, похожие на пузырьки или чешую.
- Блики от поверхности: нарушают освещение верхней части садка.
- Постоянное движение воды: смаз, размытые кадры.
Preprocessing: white balance correction по Snell's law (восстановление красного канала пропорционально глубине), CLAHE для контраста на мутных снимках, temporal deblurring для смаза.
def underwater_white_balance(image, depth_m):
"""Восстановление красного канала для подводных снимков"""
img_float = image.astype(np.float32) / 255.0
# Коэффициент поглощения для красного канала воды ~0.35/м
red_attenuation = np.exp(-0.35 * depth_m)
img_float[:, :, 2] = np.clip(
img_float[:, :, 2] / (red_attenuation + 1e-6), 0, 1
)
return (img_float * 255).astype(np.uint8)
Как мы калибруем камеры для разной глубины?
Для каждого садка мы проводим калибровку: снимаем тестовый шаблон на нескольких глубинах, подбираем параметры white balance и CLAHE индивидуально. Это обеспечивает стабильное качество изображения при изменении освещения и сезонной мутности.Как система обнаруживает болезни?
Поведенческие аномалии — нездоровые рыбы демонстрируют аномальное поведение: вялость, изменение глубины плавания, сбившееся в сторону движение, отказ от корма. Видеоаналитика отслеживает:
- Среднюю скорость движения рыб в садке (fps frame-to-frame optical flow).
- Распределение по глубине (из стереокамеры или структурированного освещения).
- Частоту движения жабр (respiratory rate) — учащённое дыхание = признак гипоксии или инфекции.
Визуальные признаки болезней — язвы на теле, потемнение чешуи, экзофтальм (пучеглазие), ерошение чешуи. Детектор объектов YOLOv8 на кропах отдельных рыб.
Смертность — автоматический подсчёт всплывших особей. Критически важно отловить ранний признак: нарастание % мёртвых рыб на поверхности.
Сравнение методов подсчёта рыб
| Метод | Точность | Время обработки | Сложность внедрения |
|---|---|---|---|
| Direct counting (Instance segmentation) | 90–95% | 200 мс/кадр | Высокая (требует GPU) |
| Density estimation (регрессия) | 80–85% | 50 мс/кадр | Средняя |
| Эхолот (ультразвук) | 70% | 500 мс | Низкая, но нет видео |
Direct counting через Mask R-CNN с дедупликацией треков даёт максимальную точность, но требует мощного GPU. Density estimation — быстрее и проще, но менее точен. Выбор зависит от размера садка и требований к точности.
Оценка биомассы
Подсчёт рыб в садке — задача со значительной окклюзией (рыбы перекрывают друг друга). Методы:
- Direct counting через Instance segmentation (Mask R-CNN) + де-дупликация треков.
- Density estimation — регрессионная модель предсказывает плотность рыб в кадре, умноженная на объём садка.
Оценка биомассы (средний вес): стереокамера измеряет длину тела (BL — Body Length) → аллометрическая формула W = a × BL^b (коэффициенты видоспецифичные). Точность оценки веса: ±8–12% от реального.
Интеграция с системами кормления
Поведенческие паттерны рыб — прямой индикатор аппетита. CV-система измеряет «активность кормления» (movement intensity у поверхности в момент подачи корма) и передаёт сигнал в систему автоматического кормления: снизить подачу при низком аппетите (признак болезни или перекорма). Это снижает кормовые затраты на 8–15% и уменьшает загрязнение среды невыеденным кормом.
Почему стоит внедрить AI-мониторинг?
- Раннее обнаружение болезней за 24–48 часов до видимых симптомов — смертность снижается до 70%.
- Экономия на кормах до $50 000 в год для фермы на 500 000 особей.
- Сокращение ручного труда на 6–8 часов в день.
- Автоматическая отчётность и доступ к данным через дашборд.
Дополнительная таблица сравнения методов выявления болезней:
| Метод | Время диагностики | Точность | Стоимость |
|---|---|---|---|
| Визуальный осмотр | 2–4 часа на садок | ~50% | Низкая |
| Лабораторный PCR | 24–48 часов | >99% | Высокая |
| AI-анализ | Мгновенно | 90–95% | Средняя |
Этапы внедрения
- Аудит фермы: оценка садков, освещения, телекоммуникаций.
- Проектирование: выбор камер, график монтажа.
- Установка и калибровка: настройка preprocessing под конкретные условия.
- Обучение моделей: дообучение YOLOv8 на вашем видео (few-shot).
- Тестирование и деплой: A/B сравнение с ручным мониторингом.
Что входит в нашу работу
- Документация по API и дашборду.
- Доступ к облачной или локальной системе.
- Обучение персонала (2 дня).
- Техподдержка 24/7 первые 3 месяца.
- Гарантийное обслуживание 12 месяцев.
Сроки
Базовая система мониторинга (5–10 камер, поведение + смертность): 8–12 недель. Полная платформа с детекцией болезней, биомассой, интеграцией кормления: 16–24 недели. Стоимость рассчитывается индивидуально.
Закажите пилотный проект с 2 камерами и получите первые результаты через 6 недель. Получите консультацию — наши инженеры помогут подобрать оптимальную конфигурацию.