AI System for Aquaculture and Fishery

AI-система для аквакультуры и рыбного хозяйства

Аквакультура — один из немногих секторов агропрома, где ML решает задачи, буквально невозможные для ручного контроля: мониторинг тысяч рыб в мутной воде в режиме реального времени, детектирование болезней по поведению за 12–24 часа до клинических симптомов, оптимизация кормления по биомассе в каждом садке.

Ключевые задачи

Мониторинг биомассы и роста. Сколько рыбы в садке, какой средний вес — без вылова. Это базовая информация для управления производством, которая в традиционном хозяйстве доступна раз в месяц при selective sampling.

Раннее детектирование болезней. Лох-сальмонеллёз, ихтиофтириоз, нодавирус — промедление в 24 часа может уничтожить всю популяцию садка при высокой плотности посадки.

Оптимизация кормления. Перекорм = загрязнение воды + затраты. Недокорм = замедление роста, FCR деградирует. Корм составляет 50–70% операционных затрат.

Качество воды. DO (растворённый кислород), pH, NH3, температура, мутность — предикторы стресса и болезней. Прогноз критических событий до их наступления.

Глубоко: оценка биомассы через стереоскопическое зрение

Это наиболее технически сложная задача с наибольшим экономическим эффектом.

Принцип. Стереокамера под водой снимает видеопоток. По диспаратности пары изображений восстанавливается 3D-облако точек. На нём детектируются рыбы, сегментируются, измеряются длина и объём, по аллометрическим уравнениям (species-specific) рассчитывается масса.

Pipeline:

1. Стереокалибровка (OpenCV: intrinsics, extrinsics, lens distortion)
2. Stereo matching: SGBM или Deep Learning-based (PSMNet, CFNet) для мутной воды
3. Детекция рыбы: YOLOv8 + Deepsort/ByteTrack для трекинга через кадры (исключает двойной счёт)
4. 3D segmentation: SAM (Segment Anything Model) + depth projection → 3D bbox
5. Измерение: euclidean distance между хвостом и головой в 3D; volume estimation через ellipsoid approximation
6. Biomass estimation: weight = a × length^b (species-specific параметры из литературы или калиброванные на взвешенных образцах)

Реальные цифры. На атлантическом лососе (Salmo salar) в морских садках: MAE оценки среднего веса ≈ 4.1% против ±8–12% у sampling-based методов. Измерение 500 рыб — за 10 минут видеозаписи против 3 часов ручного sampling.

Проблемы мутной воды. Turbidity > 2 NTU значительно деградирует стерео matching. Решения:

• Structured light (лазерные полосы) для восстановления depth при низкой видимости
• Domain adaptation: synthetic underwater data с augmented turbidity → fine-tune детектора
• CLAHE (Contrast Limited Adaptive Histogram Equalization) как preprocessing улучшает видимость на ~30%

Детектирование болезней по поведению

Идея: больная рыба меняет поведение раньше, чем появятся видимые симптомы. Снижается скорость плавания, нарушается школьный паттерн, рыба держится у поверхности или у стенок садка, синхронность движений группы падает.

Фичи из видео:

• Average swimming speed (оптический поток + Kalman tracker)
• Schooling density: spatial variance координат рыб
• Depth distribution: z-координата из стерео или depth sensor
• Surface proximity events: частота нахождения в верхних 20% объёма
• Synchrony index: cross-correlation скоростей между соседними рыбами

Модель: LSTM или Temporal Fusion Transformer на временны́х рядах поведенческих фичей (окно 6–24 часа). Задача — binary alert (болезнь vs. норма) или multiclass (тип стресса).

На датасете с документированными вспышками ихтиофтириоза: AUC-ROC = 0.88, среднее время предупреждения до клинических симптомов — 18 часов. Это достаточно для раннего начала лечения.

Управление кормлением

Принцип. Камера смотрит на поверхность воды. Пока рыба активно ест — корм потребляется быстро. Когда насытилась — частицы корма начинают всплывать. Pellet detection + counting через CV определяет residual feed rate.

Модель кормления. Ввод: биомасса садка (из измерений), температура воды (влияет на метаболизм), FCR история, суточный цикл. Выход: оптимальная доза на следующее кормление. Простой подход — regression model (LightGBM). Продвинутый — RL-агент, который оптимизирует долгосрочный FCR, учитывая feedback петлю роста.

На ферме лосося (12 садков, 6 месяцев A/B теста): AI-управляемое кормление снизило FCR с 1.32 до 1.19, экономия корма 9.8% при сопоставимом приросте веса.

Мониторинг качества воды и прогнозирование событий

Данные: IoT-датчики (DO, pH, NH3, T, salinity), водозаборные анализаторы, исторические данные.

Задачи ML:

• Прогноз DO drop (гипоксия): LSTM на 2-часовом горизонте, срабатывание за 45–60 минут до критического уровня
• Algal bloom prediction: по спутниковым снимкам (Sentinel-2, хлорофилл-a) + локальным датчикам
• pH аномалии связаны с пресноводными стоками — событийное предупреждение через аномалию salinity gradient

Стек

Сроки

Система мониторинга биомассы (стереокамера + оценка): 10–16 недель. Комплексная платформа (биомасса + болезни + кормление + вода): 8–14 месяцев.