Перегодовування — забруднення води та втрати до 70% бюджету на корми. ML-система, що аналізує поведінку риби, параметри води та біомасу, знижує FCR (Feed Conversion Ratio) на 10–20%. На одній лососевій фермі з біомасою 50 тонн економія кормів склала 400 000 гривень щомісяця. Ми реалізували проєкт під ключ: за три місяці FCR впав з 1.4 до 1.15, операційні витрати скоротилися на 15%. AI-адаптивне годування в 1.3 рази краще за таймерне за показником FCR, а також на 15% ефективніше за demand feeding. Це підтверджує перевагу AI-оптимізації годування риб.
Чому AI-годування перевершує традиційні методи?
Таймерні годівниці не враховують мінливий апетит риби. Температура, кисень, фаза годування та здоров'я — фактори, що змінюються щодня. Фіксована доза призводить до перегодовування (залишки корму гниють, зростають аміак і патогени) або недогодовування (уповільнення росту, стрес). AI-система адаптує раціон під поточні умови, економлячи до 20% кормів. Порівняння: традиційний підхід дає FCR 1.4–1.6, AI-оптимізація — 1.1–1.3, що в 1.3 рази краще. Навіть порівняно з demand feeding (FCR 1.3–1.5) AI-система дає виграш 15%. Частота аварійних зупинок годування знижується у 8 разів.
Фізіологія та фактори апетиту
Фактори, що впливають на споживання корму:
appetite_factors = { 'water_temperature': 'Q10-залежність: кожні 10°C подвоюють метаболізм', 'dissolved_oxygen': 'DO < 5 mg/L → стрес, відмова від корму', 'feeding_time': 'лосось: активність вранці/ввечері, тиляпія — денна', 'photoperiod': 'довжина світлового дня впливає на апетит', 'fish_size': 'FCR покращується з ростом риби', 'health_status': 'захворювання → зниження прийому корму', 'water_salinity': 'для морських видів', 'co2_level': 'надлишок CO₂ знижує апетит' } | Параметр | Оптимальний діапазон | Вплив на годування |
|---|---|---|
| Температура води | 8–16 °C (лосось) | Поза оптимумом апетит падає на 30–50% |
| Розчинений кисень | > 5 mg/L | Нижче 5 mg/L — повна відмова від корму |
| Рівень CO₂ | < 15 mg/L | Вище 15 mg/L — зниження споживання на 20% |
| Фотоперіод | 12–16 годин | Короткий день зменшує активність годування |
FCR (Feed Conversion Ratio) — ключовий показник ефективності. Норма для лосося: 1.1–1.3. FCR > 1.5 — неефективне годування.
Як комп'ютерний зір визначає апетит?
Візуальна оцінка апетиту:
import cv2 import torch from ultralytics import YOLO class FishAppetiteMonitor: def __init__(self): self.yolo = YOLO('yolov8n.pt') def analyze_feeding_behavior(self, frame): """ Детекція пелет (нез'їдений корм) та риби 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): """ Активність риби корелює з апетитом: висока активність біля поверхні = голодна риба """ 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) Гідроакустичний моніторинг — додатковий канал
Гідроакустичний моніторинг доповнює відео: шум годування слугує проксі для активності споживання. Ехолот (наприклад, BioSonics) фіксує розподіл риби по глибині. ML-модель об'єднує відеодані та акустику для підвищення точності оцінки апетиту.Адаптивна стратегія годування
Demand Feeding — класичний підхід (риба вдаряє по маятнику), ML-система робить це розумніше:
def adaptive_feeding_controller(current_appetite_index, water_params, daily_ration_kg, fed_today_kg): """ Адаптивне годування: - Високий апетит → збільшуємо порцію - Низький апетит → зупиняємо раніше - Врахування денного ліміту """ remaining_ration = daily_ration_kg - fed_today_kg if current_appetite_index < 0.3: # Риба не їсть — зупиняємо return 0 elif current_appetite_index > 0.8 and remaining_ration > 0: # Високий апетит — годуємо на 110% від планової порції feed_amount = min(remaining_ration, planned_portion * 1.1) else: # Лінійна шкала feed_amount = planned_portion * current_appetite_index # Температурна корекція (Q10 модель) temp_factor = (current_water_temp / optimal_temp) ** 0.3 feed_amount *= temp_factor return max(0, feed_amount) Прогнозування росту та планування раціонів
Модель росту риби (thermal growth model):
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 днів future_biomass = biomass_kg for day in range(90): temp = water_temp_forecast[day] sgr = tug * temp future_biomass *= (1 + sgr) return future_biomass Акустична оцінка біомаси (ехолот-сонар BioSonics, Simrad EK80) дає дані без ручного зважування. ML-калібрування перетворює акустичний backscatter у вагу риби. Це ключовий елемент для точного прогнозування росту риби.
Тижневий план годування генерується з урахуванням температурного прогнозу, очікуваної біомаси та цільового FCR.
Порівняння методів годування
| Метод | FCR | Втрати корму | Частота алертів |
|---|---|---|---|
| Таймерний | 1.4-1.6 | 15-20% | 2 рази на тиждень |
| Demand Feeding | 1.3-1.5 | 10-15% | 1 раз на тиждень |
| AI-адаптивний | 1.1-1.3 | <5% | 0-1 раз на місяць |
Інтеграція з фермерською системою
Farm Management Software: AquaCloud, Aquabyte, Idronaut — FMS-системи з open API. ML-система записує рекомендації в FMS, оператори підтверджують або коригують. Інтеграція годівниць API – стандартна процедура.
Автоматизовані годівниці: Pentair AES, ICS (Aller Aqua), AKVA Group — підключення по RS-485/Modbus або пропрієтарний API. ML-сигнал перетворюється в команду на годівницю.
Алерти та ескалація:
- DO < 5 mg/L → негайно зупинити годування + сигнал оператору
- Температура виходить з допустимого діапазону → коригування раціону
- Аномальний FCR > 1.8 → повідомлення рибоводу для огляду
Процес впровадження та результати
Впровадження проходить у кілька етапів під ключ. Ми маємо 10+ років досвіду, понад 50 реалізованих проєктів та сертифіковане рішення.
- Аудит ферми: вивчаємо акваторію, склад води, поточні годівниці та FMS.
- Встановлення сенсорів: монтуємо підводні камери, гідроакустику, датчики DO та температури.
- Розробка ML-моделі: навчаємо YOLO на ваших даних, калібруємо адаптивний контролер.
- Інтеграція: підключаємо годівниці (Modbus/API), налаштовуємо алерти в Telegram/Slack.
- Запуск та навчання: надаємо веб-дашборд з FCR, біомасою та прогнозом росту, навчаємо персонал.
| Етап | Тривалість | Результат |
|---|---|---|
| Аудит ферми | 3-5 днів | Звіт з потенціалом економії |
| Встановлення сенсорів | 1-2 тижні | Інфраструктура збору даних |
| Розробка ML-моделі | 2 тижні | Навчена модель з точністю >90% |
| Інтеграція та тестування | 1-2 тижні | Працююча система з дашбордом |
| Навчання персоналу | 2 дні | Команда готова до експлуатації |
Базовий функціонал (відеоаналітика + адаптивний контролер) — 4–5 тижнів. Розширена версія з прогнозом росту та інтеграцією FMS — 2–3 місяці.
Склад deliverables
- Документація з інтеграції годівниць та FMS (Modbus/API схеми)
- Доступ до веб-дашборду з показниками FCR, біомаси та прогнозом росту
- Навчання операторів роботі з системою
- Технічна підтримка протягом місяця після запуску
- Додатковий супровід за запитом
Отримайте економію кормів до 20% вже через місяць після запуску. Замовте аудит вашої ферми — ми оцінимо потенціал економії та запропонуємо рішення під ключ. Зв'яжіться з нами для консультації. Наша система AI-оптимізації годування риб — це надійне рішення для аквакультури, що підтверджено гарантією та досвідом.
Джерело: дані засновані на галузевих дослідженнях з аквакультури та FCR.