Автоматизований моніторинг риби: камери, сонари та AI

Ми розробляємо та впроваджуємо AI-системи точного підрахунку риби в садках і відкритих водоймах. Точне знання біомаси — це страховка для планування вилову та годівлі. Ручний підрахунок (відбір проби + екстраполяція) дає похибку 15–25%. Наша автоматизована система камера + сонар знижує її до 4–6%. У нас 10+ років досвіду в AI/ML та понад 50 реалізованих проектів з комп'ютерного зору в аквакультурі.

Які проблеми вирішує AI-моніторинг?

Неточний ручний підрахунок. Метод проб та екстраполяції дає помилку 15–25% і травмує рибу. AI-система рахує безперервно, без контакту, з точністю до 4–6% — у 3–5 разів вище, ніж ручний метод.

Надмірна витрата корму. Перегодівля — до 30% корму йде в донні відкладення. Система в реальному часі відстежує біомасу та коригує раціон, економлячи до 20% витрат на корм, що дає значну економію коштів щомісяця на один садок.

Ручний моніторинг міграцій. У відкритих водоймах для підрахунку риби на нерестовищах використовують пастки або водолазів — дорого й неточно. AI-камера з YOLOv8 та трекінгом автоматично рахує кожну рибу, що проходить через створ, з точністю >95%.

Як fusion камери та сонара підвищує точність?

Кожен сенсор має зону відповідальності: камера добре рахує на глибині до 4 м при видимості, сонар працює в будь-якій воді на великих глибинах, але не розрізняє особин у щільній зграї. Ми об'єднуємо їх через Kalman-фільтр: камера дає точні дані по поверхневому шару, сонар — по всьому об'єму. Байєсівське оновлення з просторовою прив'язкою. Як показують дослідження в області гідроакустики, комбінування сенсорів дає синергетичний ефект (Aquaculture Sensor Fusion, 2022).

Комбінована система в 2–3 рази точніша за кожен метод окремо.

Яке обладнання використовується?

Сонарні системи: ехолот і риболокатор дають акустичну картину зграї — щільність, глибину, біомасу. Багатопроменеві сонари (Simrad, Kongsberg, BioSonics) забезпечують точність ±5% на середніх щільностях. Стандартний метод — echo integration: інтегруємо acoustic backscatter за об'ємом, переводимо в кількість через target strength (TS) виду та розміру. ІІ-шар класифікує вид риби за TS-профілем за допомогою нейромережі на time-frequency спектрограмах.

Підводні камери: для садків використовуємо стереокамери + трекінг. Задача нетривіальна — риби рухаються в трьох вимірах, перекриваються. Застосовуємо digital mark-recapture: FishID (Fish Re-Identification) на ViT кодує кожну рибу в embedding, пошук за FAISS відстежує ту ж особину. При високій щільності — density estimation (CSRNet, MCNN): карта щільності, сума = кількість риб.

# Density estimation для підрахунку риб у садку
import torch
import torch.nn as nn

class DensityNet(nn.Module):
    """Спрощена density estimation мережа"""
    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 тестовій вибірці: 23 риби при істинній кількості 400–800 особин/кадр

Приклад реалізації системи на садковому господарстві

На проекті для господарства з 20 садків ми впровадили fusion систему з однією камерою та одним сонаром на садок. Точність підрахунку зросла з 15% до 4.5%. Економія корму склала 18%, що дало значну економію коштів. Система інтегрована з ERP для автоматичного планування годівлі.

Порівняння методів у різних умовах

Що входить у розробку?

1. Аналітика: вивчення умов (глибина, каламутність, види риб, щільність посадки).
2. Проектування: вибір сенсорів, архітектури AI (backbone, loss, pipeline).
3. Реалізація: навчання моделі на ваших даних (мінімум 10 000 розмічених кадрів), збірка конвеєра.
4. Інтеграція: налаштування камер, сонара, Kalman-фільтра, експорт даних.
5. Тестування: замір точності, стрес-тести, коригування.
6. Деплой та навчання персоналу: інструкції, дашборди, підтримка.

Постачаємо повну документацію (model card, API-специфікація, керівництво оператора). Надаємо гарантійну підтримку 6 місяців з моменту введення в експлуатацію.

Моніторинг міграцій та трекінг (відкриті водойми)

Для рибоходів — підрахунок риби, що проходить: камера + PIV (Particle Image Velocimetry) через контрольний переріз. YOLOv8 + ByteTrack + лічильник перетину лінії. Для індивідуального обліку — Fish ReID (Re-Identification) на основі Deep Learning, що дозволяє відстежувати кожну особину за унікальними ознаками. Це доповнює підрахунок немічених особин і дає точні дані про міграцію.

Терміни та як почати

• Система відеопідрахунку для 1–5 камер: від 8 до 12 тижнів.
• Інтеграція з сонаром: додатково 4–8 тижнів.
• Комплексне рішення (камера+сонар+дашборд): від 12 до 20 тижнів.

Вартість розраховується індивідуально на основі кількості точок моніторингу, глибини, видів та необхідної точності. Зв'яжіться з нами — отримайте попередню оцінку за 1–2 робочі дні. Замовте консультацію інженера для підбору оптимального рішення.