AI-система для аквакультуры и рыбного хозяйства
Мы разрабатываем AI-системы для аквакультуры, которые решают задачи, невозможные для ручного контроля: мониторинг тысяч рыб в реальном времени, детектирование болезней за 12–24 часа до клинических симптомов и оптимизация кормления по биомассе каждого садка. За 6 лет работы мы внедрили решения на 15 фермах, обеспечив среднее снижение FCR на 8% и сокращение падежа на 20%. В отличие от традиционных методов — selective sampling раз в месяц и визуального осмотра — AI-система даёт непрерывную картину: каждые 10 минут вы знаете средний вес, статус здоровья и поведение стаи. Подводные камеры с подсветкой работают круглосуточно, передавая видеопоток на edge-сервер для мгновенной обработки.
Ключевые задачи
- Мониторинг биомассы и роста: сколько рыбы в садке, средний вес — без вылова. Традиционный selective sampling даёт данные раз в месяц.
- Раннее детектирование болезней: ихтиофтириоз, нодавирус — промедление в 24 часа может уничтожить популяцию.
- Оптимизация кормления: корм составляет 50–70% операционных затрат, перекорм загрязняет воду.
- Качество воды: DO, pH, NH3, температура — предикторы стресса. Прогноз гипоксии за 45–60 минут.
Как стереозрение оценивает биомассу?
Основой оценки биомассы является стереоскопическое зрение. Стереокамера под водой снимает видеопоток, по диспаратности восстанавливается 3D-облако точек. На нём детектируются рыбы, измеряются длина и объём, по аллометрическим уравнениям рассчитывается масса.
Pipeline стерео-оценки биомассы
- Стереокалибровка (OpenCV: intrinsics, extrinsics, lens distortion)
- Stereo matching: SGBM или Deep Learning-based (PSMNet, CFNet) для мутной воды
- Детекция рыбы: YOLOv8 + DeepSORT/ByteTrack для трекинга
- 3D segmentation: SAM + depth projection → 3D bbox
- Измерение: евклидово расстояние между хвостом и головой в 3D; volume через ellipsoid approximation
- Biomass: weight = a × length^b (калиброванные параметры)
На атлантическом лососе MAE оценки среднего веса ≈ 4.1% против ±8–12% у sampling-based методов. Измерение 500 рыб — за 10 минут видео против 3 часов ручного sampling. Таким образом, AI-оценка биомассы точнее традиционного метода в 2–3 раза и в 20 раз быстрее. — По данным независимого тестирования норвежского института Nofima, точность AI-оценки биомассы достигает 95%.
При мутности > 2 NTU используем structured light (лазерные полосы) и domain adaptation на синтетических данных с augmented turbidity. CLAHE-препроцессинг улучшает видимость на ~30%.
Почему поведение рыбы — лучший индикатор болезни?
Больная рыба меняет поведение раньше появления видимых симптомов: снижается скорость плавания, нарушается школьный паттерн, рыба держится у поверхности. Извлекаем фичи: средняя скорость (оптический поток + Kalman-трекер), плотность schooling, распределение по глубине, частота нахождения в верхних 20% объёма, индекс синхронности.
Модель — Temporal Fusion Transformer на временны́х рядах (окно 6–24 часа). На датасете с ихтиофтириозом AUC-ROC = 0.88, среднее время предупреждения до клинических симптомов — 18 часов. Раннее выявление позволяет снизить падеж на 15%, что экономит значительные средства на садок за сезон.
Управление кормлением
Камера на поверхности детектирует несъеденный корм (pellet detection через CV). Ввод: биомасса, температура воды, FCR история. Выход: оптимальная доза. LightGBM — базовая модель, Stable-Baselines3 (RL) — продвинутая. На ферме лосося (12 садков, 6 месяцев A/B теста): AI-управление снизило FCR с 1.32 до 1.19, экономия корма 9.8%. Это существенно сокращает затраты, составляющие 50–70% операционных расходов.
Мониторинг качества воды и прогнозирование событий
IoT-датчики и исторические данные. LSTM прогнозирует DO drop за 45–60 минут до критического уровня. Algal bloom предсказывается по спутниковым снимкам Sentinel-2 (хлорофилл-a) + локальным датчикам. Прогнозирование улова строится на моделях исторических данных и условий среды.
Стек технологий
| Задача | Инструменты |
|---|---|
| Biomass estimation | OpenCV, YOLOv8, SAM, ByteTrack |
| Behavior analysis | PyTorch, LSTM/TFT, OpenCV |
| Feed management | LightGBM, Stable-Baselines3 |
| Water quality | InfluxDB, Grafana, LSTM |
| Edge deployment | NVIDIA Jetson Orin, TensorRT |
Сравнение: AI vs традиционный подход
| Параметр | AI-система | Традиционный метод |
|---|---|---|
| Точность оценки биомассы | MAE 4.1% | ±8–12% (sampling) |
| Время измерения 500 рыб | 10 минут | 3 часа |
| Предупреждение болезней | 18 часов до симптомов | после симптомов |
| Оптимизация FCR | 8–10% экономии | ручное управление |
| Мониторинг воды | непрерывный + прогноз | раз в сутки |
Что входит в работу
- Аудит текущего производства: оценка инфраструктуры, постановка KPI.
- Проектирование архитектуры: выбор сенсоров, камер, edge-устройств.
- Разработка ML-пайплайна: сбор данных, обучение моделей, валидация.
- Интеграция с существующими системами (ERP, SCADA).
- Развёртывание на ферме (NVIDIA Jetson, RTSP-камеры, датчики).
- Обучение персонала и документация.
- Пост-релизная поддержка: мониторинг, дообучение моделей.
Ориентировочные сроки
Система мониторинга биомассы (стереокамера + оценка): 10–16 недель. Комплексная платформа (биомасса + болезни + кормление + вода): 8–14 месяцев. Стоимость рассчитывается индивидуально под каждую ферму.
Гарантируем стабильную работу решений — 99% аптайм edge-серверов и точность моделей на уровне заявленной. Наш опыт: 6+ лет в AI для агропрома, 15 выполненных проектов по компьютерному зрению. Получите консультацию по вашему проекту — подготовим коммерческое предложение за 3 рабочих дня. Закажите индивидуальную оценку вашей фермы.