Точный AI-мониторинг рыбы: интеграция камер и сонаров

Автоматизированный мониторинг рыбы: камеры, сонары и AI

Мы разрабатываем и внедряем AI-системы точного подсчёта рыбы в садках и открытых водоёмах. Точное знание биомассы — это страховка для планирования вылова и кормления. Ручной подсчёт (отбор пробы + экстраполяция) даёт погрешность 15–25%. Наша автоматизированная система камера + сонар снижает её до 4–6%. У нас 10+ лет опыта в AI/ML и более 50 реализованных проектов по компьютерному зрению в аквакультуре.

Какие проблемы решает AI-мониторинг?

Неточный ручной подсчёт. Метод проб и экстраполяции даёт ошибку 15–25% и травмирует рыбу. AI-система считает непрерывно, без контакта, с точностью до 4–6% — в 3–5 раз выше, чем ручной метод.

Избыточный расход корма. Перекорм — до 30% корма уходит в донные отложения. Система в реальном времени отслеживает биомассу и корректирует рацион, экономя до 20% затрат на корм, что составляет порядка 15 000–25 000 руб. в месяц на один садок.

Ручной мониторинг миграций. В открытых водоёмах для подсчёта рыбы на нерестилищах используют ловушки или водолазов — дорого и неточно. AI-камера с YOLOv8 и трекингом автоматически считает каждую рыбу, проходящую через створ, с точностью >95%.

Как fusion камеры и сонара повышает точность?

Каждый сенсор имеет зону ответственности: камера хорошо считает на глубине до 4 м при видимости, сонар работает в любой воде на больших глубинах, но не различает особей в плотной стае. Мы объединяем их через Kalman-фильтр: камера даёт точные данные по поверхностному слою, сонар — по всему объёму. Байесовское обновление с пространственной привязкой. Как показывают исследования в области гидроакустики, комбинирование сенсоров даёт синергетический эффект (Aquaculture Sensor Fusion, 2022).

Комбинированная система в 2–3 раза точнее каждого метода по отдельности.

Какое оборудование используется?

Сонарные системы: эхолот и рыболокатор дают акустическую картину стаи — плотность, глубину, биомассу. Мультилучевые сонары (Simrad, Kongsberg, BioSonics) обеспечивают точность ±5% на средних плотностях. Стандартный метод — echo integration: интегрируем acoustic backscatter по объёму, переводим в количество через target strength (TS) вида и размера. ИИ-слой классифицирует вид рыбы по TS-профилю с помощью нейросети на time-frequency спектрограммах.

Подводные камеры: для садков используем стереокамеры + трекинг. Задача нетривиальна — рыбы движутся в трёх измерениях, перекрываются. Применяем digital mark-recapture: FishID (Fish Re-Identification) на ViT кодирует каждую рыбу в embedding, поиск по FAISS отслеживает ту же особь. При высокой плотности — density estimation (CSRNet, MCNN): карта плотности, сумма = количество рыб.

# Density estimation для подсчёта рыб в садке
import torch
import torch.nn as nn

class DensityNet(nn.Module):
    """Упрощённая density estimation сеть"""
    def __init__(self):
        super().__init__()
        self.frontend = nn.Sequential(
            # VGG-16 frontend до pool3
            *list(vgg16_features.children())[:23]
        )
        self.backend = nn.Sequential(
            nn.Conv2d(256, 128, 3, padding=2, dilation=2),
            nn.ReLU(inplace=True),
            nn.Conv2d(128, 64, 3, padding=2, dilation=2),
            nn.ReLU(inplace=True),
            nn.Conv2d(64, 1, 1)
        )

    def forward(self, x):
        features = self.frontend(x)
        density_map = self.backend(features)
        return density_map  # sum() = estimated count

# MAE на тестовой выборке: 23 рыбы при истинном кол-ве 400–800 особей/кадр

Сравнение методов в разных условиях

Что входит в разработку?

1. Аналитика: изучение условий (глубина, мутность, виды рыбы, плотность посадки).
2. Проектирование: выбор сенсоров, архитектуры AI (backbone, loss, pipeline).
3. Реализация: обучение модели на ваших данных (минимум 10 000 размеченных кадров), сборка конвейера.
4. Интеграция: настройка камер, сонара, Kalman-фильтра, экспорт данных.
5. Тестирование: замер точности, стресс-тесты, корректировка.
6. Деплой и обучение персонала: инструкции, дашборды, поддержка.

Поставляем полную документацию (model card, API-спецификация, руководство оператора). Оказываем гарантийную поддержку 6 месяцев с момента ввода в эксплуатацию.

Мониторинг миграций и трекинг (открытые водоёмы)

Для рыбоходов — подсчёт проходящей рыбы: камера + PIV (Particle Image Velocimetry) через контрольное сечение. YOLOv8 + ByteTrack + счётчик пересечения линии. Для индивидуального учёта — Fish ReID (Re-Identification) на основе Deep Learning, который позволяет отслеживать каждую особь по уникальным признакам. Это дополняет подсчёт немеченых особей и даёт точные данные о миграции.

Сроки и как начать

• Система видеоподсчёта для 1–5 камер: от 8 до 12 недель.
• Интеграция с сонаром: дополнительно 4–8 недель.
• Комплексное решение (камера+сонар+дашборд): от 12 до 20 недель.

Стоимость рассчитывается индивидуально на основе количества точек мониторинга, глубины, видов и требуемой точности. Свяжитесь с нами — получите предварительную оценку за 1–2 рабочих дня. Закажите консультацию инженера для подбора оптимального решения.