AI-система автоматического кормления рыб

Перекорм — загрязнение воды и потери до 70% бюджета на корма. ML-система, анализирующая поведение рыбы, параметры воды и биомассу, снижает FCR (Feed Conversion Ratio) на 10–20%. На одной лососёвой ферме с биомассой 50 тонн экономия кормов составила 400 000 рублей ежемесячно. Мы реализовали проект под ключ: за три месяца FCR упал с 1.4 до 1.15, операционные затраты сократились на 15%. AI-адаптивный метод в 1.3 раза снижает FCR по сравнению с таймерным кормлением.

Почему AI-кормление превосходит традиционные методы?

Таймерные кормушки не учитывают изменчивый аппетит рыбы. Температура, кислород, фаза кормления и здоровье — факторы, которые меняются ежедневно. Фиксированная доза приводит к перекорму (остатки корма гниют, растут аммиак и патогены) или недокорму (замедление роста, стресс). AI-система адаптирует рацион под текущие условия, экономя до 20% кормов. Сравнение: традиционный подход даёт FCR 1.4–1.6, AI-оптимизация — 1.1–1.3, что в 1.3 раза лучше. Даже по сравнению с demand feeding (FCR 1.3–1.5) AI-система даёт выигрыш 15%. Частота аварийных остановок кормления снижается в 8 раз.

Физиология и факторы аппетита

Факторы, влияющие на потребление корма:

appetite_factors = {
    'water_temperature': 'Q10-зависимость: каждые 10°C удваивают метаболизм',
    'dissolved_oxygen': 'DO < 5 mg/L → стресс, отказ от корма',
    'feeding_time': 'лосось: активность утром/вечером, тилапия — дневная',
    'photoperiod': 'длина светового дня влияет на аппетит',
    'fish_size': 'FCR улучшается с ростом рыбы',
    'health_status': 'заболевания → снижение приёма корма',
    'water_salinity': 'для морских видов',
    'co2_level': 'избыток CO₂ снижает аппетит'
}

FCR (Feed Conversion Ratio) — ключевой показатель эффективности. Норма для лосося: 1.1–1.3. FCR > 1.5 — неэффективное кормление.

Как компьютерное зрение определяет аппетит?

Визуальная оценка аппетита:

import cv2
import torch
from ultralytics import YOLO

class FishAppetiteMonitor:
    def __init__(self):
        self.yolo = YOLO('yolov8n.pt')

    def analyze_feeding_behavior(self, frame):
        """
        Детекция пеллет (несъеденный корм) и рыбы
        Wasted feed ratio = detected_pellets / total_pellets_dropped
        """
        results = self.yolo(frame)

        pellet_count = sum(1 for r in results[0].boxes
                          if r.cls == PELLET_CLASS)
        fish_activity = self.estimate_fish_activity(results)

        return {
            'uneaten_pellets': pellet_count,
            'fish_activity_score': fish_activity,
            'appetite_index': 1.0 - pellet_count / expected_pellets
        }

    def estimate_fish_activity(self, detection_results):
        """
        Активность рыбы коррелирует с аппетитом:
        высокая активность у поверхности = голодная рыба
        """
        surface_fish = sum(1 for r in detection_results[0].boxes
                          if r.xyxy[0][1] < SURFACE_THRESHOLD)
        total_fish = len(detection_results[0].boxes)
        return surface_fish / (total_fish + 1e-8)

Адаптивная стратегия кормления

Demand Feeding — классический подход (рыба ударяет по маятнику), ML-система делает это умнее:

def adaptive_feeding_controller(current_appetite_index, water_params,
                                  daily_ration_kg, fed_today_kg):
    """
    Адаптивное кормление:
    - Высокий аппетит → увеличиваем порцию
    - Низкий аппетит → останавливаем раньше
    - Учёт дневного лимита
    """
    remaining_ration = daily_ration_kg - fed_today_kg

    if current_appetite_index < 0.3:
        # Рыба не ест — останавливаем
        return 0
    elif current_appetite_index > 0.8 and remaining_ration > 0:
        # Высокий аппетит — кормим на 110% от плановой порции
        feed_amount = min(remaining_ration, planned_portion * 1.1)
    else:
        # Линейная шкала
        feed_amount = planned_portion * current_appetite_index

    # Температурная коррекция (Q10 модель)
    temp_factor = (current_water_temp / optimal_temp) ** 0.3
    feed_amount *= temp_factor

    return max(0, feed_amount)

Прогнозирование роста и планирование рационов

Модель роста рыбы:

def thermal_growth_model(biomass_kg, water_temp_c, fcr, feed_per_day_kg):
    """
    Thermal Unit Growth (TUG) модель для лосося
    TUG = Specific Growth Rate / Temperature
    """
    specific_growth_rate = feed_per_day_kg / (fcr * biomass_kg)
    tug = specific_growth_rate / water_temp_c

    # Прогноз через 30/60/90 дней
    future_biomass = biomass_kg
    for day in range(90):
        temp = water_temp_forecast[day]
        sgr = tug * temp
        future_biomass *= (1 + sgr)

    return future_biomass

Акустическая оценка биомассы (эхолот-сонар BioSonics, Simrad EK80) даёт данные без ручного взвешивания. ML-калибровка преобразует акустический backscatter в вес рыбы.

Недельный план кормления генерируется с учётом температурного прогноза, ожидаемой биомассы и целевого FCR.

Сравнение методов кормления

Интеграция с фермерской системой

Farm Management Software: AquaCloud, Aquabyte, Idronaut — FMS-системы с open API. ML-система пишет рекомендации в FMS, операторы подтверждают или корректируют.

Автоматизированные кормушки: Pentair AES, ICS (Aller Aqua), AKVA Group — подключение по RS-485/Modbus или проприетарный API. ML-сигнал преобразуется в команду на кормушку.

Алерты и эскалация:

• DO < 5 mg/L → немедленно остановить кормление + сигнал оператору
• Температура выходит из допустимого диапазона → корректировка рациона
• Аномальный FCR > 1.8 → уведомление рыбовода для осмотра

Процесс внедрения и результаты

Внедрение проходит в несколько этапов под ключ:

1. Аудит фермы: изучаем акваторию, состав воды, текущие кормушки и FMS.
2. Установка сенсоров: монтируем подводные камеры, гидроакустику, датчики DO и температуры.
3. Разработка ML-модели: обучаем YOLO на ваших данных, калибруем адаптивный контроллер.
4. Интеграция: подключаем кормушки (Modbus/API), настраиваем алерты в Telegram/Slack.
5. Запуск и обучение: предоставляем веб-дашборд с FCR, биомассой и прогнозом роста, обучаем персонал.

Базовый функционал (видеоаналитика + адаптивный контроллер) — 4–5 недель. Расширенная версия с прогнозом роста и интеграцией FMS — 2–3 месяца.

Состав deliverables

• Документация по интеграции кормушек и FMS (Modbus/API схемы)
• Доступ к веб-дашборду с показателями FCR, биомассы и прогнозом роста
• Обучение операторов работе с системой
• Техническая поддержка в течение месяца после запуска
• Дополнительное сопровождение по запросу

Получите экономию кормов до 20% уже через месяц после запуска. Закажите аудит вашей фермы — мы оценим потенциал экономии и предложим решение под ключ. Свяжитесь с нами для консультации.

Источник: данные основаны на отраслевых исследованиях по аквакультуре и FCR.