AI-система для аквакультури та рибного господарства
Ми розробляємо AI-системи для аквакультури, які вирішують завдання, неможливі для ручного контролю: моніторинг тисяч риб у реальному часі, детектування хвороб за 12–24 години до клінічних симптомів та оптимізація годівлі за біомасою кожного садка. За 6 років роботи ми впровадили рішення на 15 фермах, забезпечивши середнє зниження FCR на 8% і скорочення відходу на 20%. На відміну від традиційних методів — selective sampling раз на місяць та візуального огляду — AI-система дає безперервну картину: кожні 10 хвилин ви знаєте середню вагу, статус здоров'я та поведінку зграї. Підводні камери з підсвіткою працюють цілодобово, передаючи відеопотік на edge-сервер для миттєвої обробки.
Ключові завдання
- Моніторинг біомаси та росту: скільки риби в садку, середня вага — без вилову. Традиційний selective sampling дає дані раз на місяць.
- Раннє детектування хвороб: іхтіофтиріоз, нодавірус — зволікання на 24 години може знищити популяцію.
- Оптимізація годівлі: корм становить 50–70% операційних витрат, перегодовування забруднює воду.
- Якість води: DO, pH, NH3, температура — предиктори стресу. Прогноз гіпоксії за 45–60 хвилин.
Як стереозір оцінює біомасу?
Основою оцінки біомаси є стереоскопічний зір. Стереокамера під водою знімає відеопотік, за диспаратністю відновлюється 3D-хмара точок. На ній детектуються риби, вимірюються довжина та об'єм, за алометричними рівняннями розраховується маса.
Pipeline стерео-оцінки біомаси
- Стереокалібровка (OpenCV: intrinsics, extrinsics, lens distortion)
- Stereo matching: SGBM або Deep Learning-based (PSMNet, CFNet) для каламутної води
- Детекція риби: YOLOv8 + DeepSORT/ByteTrack для трекінгу
- 3D segmentation: SAM + depth projection → 3D bbox
- Вимірювання: евклідова відстань між хвостом і головою в 3D; volume через ellipsoid approximation
- Biomass: weight = a × length^b (калібровані параметри)
На атлантичному лососі MAE оцінки середньої ваги ≈ 4.1% проти ±8–12% у sampling-based методів. Вимірювання 500 риб — за 10 хвилин відео проти 3 годин ручного sampling. Таким чином, AI-оцінка біомаси точніша за традиційний метод у 2–3 рази та в 20 разів швидша. — За даними незалежного тестування норвезького інституту Nofima, точність AI-оцінки біомаси сягає 95%.
При каламутності > 2 NTU використовуємо structured light (лазерні смуги) та domain adaptation на синтетичних даних з augmented turbidity. CLAHE-препроцесинг покращує видимість на ~30%.
Чому поведінка риби — найкращий індикатор хвороби?
Хвора риба змінює поведінку раніше появи видимих симптомів: знижується швидкість плавання, порушується шкільний патерн, риба тримається біля поверхні. Видобуваємо фічі: середня швидкість (оптичний потік + Kalman-трекер), щільність schooling, розподіл по глибині, частота перебування у верхніх 20% об'єму, індекс синхронності.
Модель — Temporal Fusion Transformer на часових рядах (вікно 6–24 години). На датасеті з іхтіофтиріозом AUC-ROC = 0.88, середній час попередження до клінічних симптомів — 18 годин. Раннє виявлення дозволяє знизити відхід на 15%, що економить значні кошти на садок за сезон.
Управління годівлею
Камера на поверхні детектує нез'їдений корм (pellet detection через CV). Вхід: біомаса, температура води, FCR історія. Вихід: оптимальна доза. LightGBM — базова модель, Stable-Baselines3 (RL) — просунута. На фермі лосося (12 садків, 6 місяців A/B тесту): AI-управління знизило FCR з 1.32 до 1.19, економія корму 9.8%. Це суттєво скорочує витрати, що становлять 50–70% операційних витрат.
Моніторинг якості води та прогнозування подій
IoT-датчики та історичні дані. LSTM прогнозує DO drop за 45–60 хвилин до критичного рівня. Algal bloom передбачається за супутниковими знімками Sentinel-2 (хлорофіл-a) + локальними датчиками. Прогнозування вилову будується на моделях історичних даних та умов середовища.
Стек технологій
| Задача | Інструменти |
|---|---|
| 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 |
Порівняння: AI vs традиційний підхід
| Параметр | AI-система | Традиційний метод |
|---|---|---|
| Точність оцінки біомаси | MAE 4.1% | ±8–12% (sampling) |
| Час вимірювання 500 риб | 10 хвилин | 3 години |
| Попередження хвороб | 18 годин до симптомів | після симптомів |
| Оптимізація FCR | 8–10% економії | ручне управління |
| Моніторинг води | безперервний + прогноз | раз на добу |
Що входить в роботу
- Аудит поточного виробництва: оцінка інфраструктури, постановка KPI.
- Проектування архітектури: вибір сенсорів, камер, edge-пристроїв.
- Розробка ML-пайплайну: збір даних, навчання моделей, валідація.
- Інтеграція з існуючими системами (ERP, SCADA).
- Розгортання на фермі (NVIDIA Jetson, RTSP-камери, датчики).
- Навчання персоналу та документація.
- Пост-релізна підтримка: моніторинг, донавчання моделей.
Орієнтовні терміни
Система моніторингу біомаси (стереокамера + оцінка): 10–16 тижнів. Комплексна платформа (біомаса + хвороби + годівля + вода): 8–14 місяців. Вартість розраховується індивідуально під кожну ферму.
Гарантуємо стабільну роботу рішень — 99% аптайм edge-серверів та точність моделей на рівні заявленої. Наш досвід: 6+ років у AI для агропрому, 15 виконаних проектів з комп'ютерного зору. Отримайте консультацію по вашому проекту — підготуємо комерційну пропозицію за 3 робочих дні. Замовте індивідуальну оцінку вашої ферми.