На лососевій фермі з 20 садками та 500 000 особин щоденний обхід займає 6–8 годин персоналу. Пропуск ранніх симптомів хвороби — наприклад, SRS або IHN — призводить до втрат у сотні тисяч доларів. Ми розробили AI-систему, яка моніторить здоров'я риб 24/7 за допомогою підводних камер і комп'ютерного зору. Наш досвід включає понад 30 впроваджень у Норвегії, Чилі та Канаді. Система знижує кормові витрати на 10–15% і скорочує смертність до 70% у перші 48 годин. Гарантія на обладнання — 12 місяців, сертифікати підтверджують надійність.
Підводні камери з CV-аналітикою моніторять безперервно, фіксуючи найменші зміни поведінки та зовнішнього вигляду. Кожна ферма унікальна — ми адаптуємо рішення під ваші садки, глибину, освітлення та вид риби.
У цій статті розберемо, які саме показники ми відстежуємо, які технічні проблеми вирішуємо під час зйомки під водою та як інтегруємо систему з годівлею.
Як відеоаналітика працює в мутній воді?
Знімки у воді — це не те саме, що на повітрі. Специфіка:
- Розсіювання світла: на глибині 4–6 м кольори зміщуються в синій/зелений спектр, червоний канал затухає експоненційно.
- Завис частинок: мутна вода дає артефакти, схожі на бульбашки або луску.
- Відблиски від поверхні: порушують освітлення верхньої частини садка.
- Постійний рух води: змаз, розмиті кадри.
Preprocessing: white balance correction за Snell's law (відновлення червоного каналу пропорційно глибині), CLAHE для контрасту на мутних знімках, temporal deblurring для змазу.
def underwater_white_balance(image, depth_m):
"""Відновлення червоного каналу для підводних знімків"""
img_float = image.astype(np.float32) / 255.0
# Коефіцієнт поглинання для червоного каналу води ~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)
Як ми калібруємо камери для різної глибини?
Для кожного садка ми проводимо калібрування: знімаємо тестовий шаблон на кількох глибинах, підбираємо параметри white balance і CLAHE індивідуально. Це забезпечує стабільну якість зображення при зміні освітлення та сезонної мутності.Як система виявляє хвороби?
Поведінкові аномалії — нездорові риби демонструють аномальну поведінку: млявість, зміна глибини плавання, збитий у бік рух, відмова від корму. Відеоаналітика відстежує:
- Середню швидкість руху риб у садку (fps frame-to-frame optical flow).
- Розподіл по глибині (зі стереокамери або структурованого освітлення).
- Частоту руху зябер (respiratory rate) — прискорене дихання = ознака гіпоксії або інфекції.
Візуальні ознаки хвороб — виразки на тілі, потемніння луски, екзофтальм (витрішкуватість), здуття луски. Детектор об'єктів YOLOv8 на кропах окремих риб.
Смертність — автоматичний підрахунок сплилих особин. Критично важливо вловити ранню ознаку: наростання % мертвих риб на поверхні.
Порівняння методів підрахунку риб
| Метод | Точність | Час обробки | Складність впровадження |
|---|---|---|---|
| Direct counting (Instance segmentation) | 90–95% | 200 мс/кадр | Висока (потребує GPU) |
| Density estimation (регресія) | 80–85% | 50 мс/кадр | Середня |
| Ехолот (ультразвук) | 70% | 500 мс | Низька, але немає відео |
Direct counting через Mask R-CNN з дедуплікацією треків дає максимальну точність, але потребує потужного GPU. Density estimation — швидше та простіше, але менш точний. Вибір залежить від розміру садка та вимог до точності.
Оцінка біомаси
Підрахунок риб у садку — задача зі значною оклюзією (риби перекривають одна одну). Методи:
- Direct counting через Instance segmentation (Mask R-CNN) + де-дуплікація треків.
- Density estimation — регресійна модель передбачає щільність риб у кадрі, помножена на об'єм садка.
Оцінка біомаси (середня вага): стереокамера вимірює довжину тіла (BL — Body Length) → алометрична формула W = a × BL^b (коефіцієнти видоспецифічні). Точність оцінки ваги: ±8–12% від реальної.
Інтеграція з системами годівлі
Поведінкові патерни риб — прямий індикатор апетиту. CV-система вимірює «активність годівлі» (movement intensity біля поверхні в момент подачі корму) та передає сигнал у систему автоматичної годівлі: знизити подачу при низькому апетиті (ознака хвороби або перегодовування). Це знижує кормові витрати на 8–15% і зменшує забруднення середовища нез'їденим кормом.
Чому варто впровадити AI-моніторинг?
- Раннє виявлення хвороб за 24–48 годин до видимих симптомів — смертність знижується до 70%.
- Економія на кормах до $50 000 на рік для ферми на 500 000 особин.
- Скорочення ручної праці на 6–8 годин на день.
- Автоматична звітність та доступ до даних через дашборд.
Додаткова таблиця порівняння методів виявлення хвороб:
| Метод | Час діагностики | Точність | Вартість |
|---|---|---|---|
| Візуальний огляд | 2–4 години на садок | ~50% | Низька |
| Лабораторний PCR | 24–48 годин | >99% | Висока |
| AI-аналіз | Миттєво | 90–95% | Середня |
Етапи впровадження
- Аудит ферми: оцінка садків, освітлення, телекомунікацій.
- Проектування: вибір камер, графік монтажу.
- Встановлення та калібрування: налаштування preprocessing під конкретні умови.
- Навчання моделей: донавчання YOLOv8 на вашому відео (few-shot).
- Тестування та деплой: A/B порівняння з ручним моніторингом.
Що входить у нашу роботу
- Документація по API та дашборду.
- Доступ до хмарної або локальної системи.
- Навчання персоналу (2 дні).
- Техпідтримка 24/7 перші 3 місяці.
- Гарантійне обслуговування 12 місяців.
Строки
Базова система моніторингу (5–10 камер, поведінка + смертність): 8–12 тижнів. Повна платформа з детекцією хвороб, біомасою, інтеграцією годівлі: 16–24 тижні. Вартість розраховується індивідуально.
Замовте пілотний проект з 2 камерами та отримайте перші результати через 6 тижнів. Отримайте консультацію — наші інженери допоможуть підібрати оптимальну конфігурацію.