מערכת בינה מלאכותית לחקלאות ימית וגידול דגים
אנו מפתחים מערכות בינה מלאכותית לחקלאות ימית הפותרות משימות בלתי אפשריות לשליטה ידנית: ניטור בזמן אמת של אלפי דגים, זיהוי מחלות 12–24 שעות לפני הופעת תסמינים קליניים, ואופטימיזציית האכלה המבוססת על ביומסת הכלובים. במשך למעלה מ-6 שנים פרסנו פתרונות ב-15 חוות, והשגנו הפחתה ממוצעת של 8% ב-FCR וירידה של 20% בתמותה. בניגוד לדגימה סלקטיבית מסורתית פעם בחודש ובדיקה ויזואלית, מערכת הבינה המלאכותית מספקת תמונה רציפה: כל 10 דקות אתה יודע את המשקל הממוצע, מצב הבריאות וההתנהגות של הלהקה. מצלמות תת-מימיות עם תאורה פועלות 24/7 ומשדרות זרמי וידאו לשרת קצה לעיבוד מיידי.
אתגרים מרכזיים
- ניטור ביומסה וגדילה: לדעת כמה דגים נמצאים בכלוב ומשקלם הממוצע ללא דיג. דגימה סלקטיבית מסורתית מספקת נתונים רק פעם בחודש.
- זיהוי מוקדם של מחלות: איכתיופתיירוס, נודווירוס — עיכוב של 24 שעות עלול למחוק את האוכלוסייה.
- אופטימיזציית האכלה: ההזנה מהווה 50–70% מהעלויות התפעוליות; האכלת יתר מזהמת את המים.
- איכות מים: DO, pH, NH3, טמפרטורה הם מנבאי לחץ. תחזית היפוקסיה 45–60 דקות מראש.
כיצד ראייה סטריאוסקופית מעריכה ביומסה
הליבה של הערכת ביומסה היא ראייה סטריאוסקופית. מצלמה סטריאו תת-מימית לוכדת וידאו, פרלקסה משחזרת ענן נקודות תלת-ממדי. הדגים מזוהים, אורכם ונפחם נמדדים, והמשקל מחושב באמצעות משוואות אלומטריות.
צינור עיבוד ביומסה סטריאוסקופי
- כיול סטריאו (OpenCV: פנימיים, חיצוניים, עיוות עדשה)
- התאמה סטריאוסקופית: SGBM או מבוססת Deep Learning (PSMNet, CFNet) למים עכורים
- זיהוי דגים: YOLOv8 + DeepSORT/ByteTrack למעקב
- פילוח תלת-ממדי: SAM + השלכת עומק → תיבת תיחום תלת-ממדית
- מדידה: מרחק אוקלידי בין זנב לראש בתלת-ממד; נפח באמצעות קירוב אליפסואיד
- ביומסה: משקל = a × אורך^b (פרמטרים מכוילים)
עבור סלמון אטלנטי, MAE של הערכת משקל ממוצע ≈ 4.1% לעומת ±8–12% בשיטות דגימה. מדידת 500 דגים אורכת 10 דקות וידאו לעומת 3 שעות של דגימה ידנית. כך, הערכת ביומסה בינה מלאכותית מדויקת פי 2–3 ומהירה פי 20. — לפי בדיקות עצמאיות של המכון הנורווגי Nofima, דיוק הערכת ביומסה בינה מלאכותית מגיע ל-95%.
כאשר העכירות עולה על 2 NTU, אנו משתמשים באור מובנה (פסי לייזר) והתאמת תחום על נתונים סינתטיים עם עכירות מוגברת. עיבוד מקדים CLAHE משפר את הראות בכ-30%.
מדוע התנהגות דגים היא המדד הטוב ביותר למחלות
דגים חולים משנים התנהגות לפני הופעת תסמינים נראים: מהירות שחייה מופחתת, שיבוש דפוסי להקה, שהייה ליד פני השטח. אנו מחלצים מאפיינים: מהירות ממוצעת (זרימה אופטית + מעקב Kalman), צפיפות להקה, התפלגות עומק, זמן שהייה ב-20% העליונים של הנפח, מדד סינכרוניות.
מודל: Temporal Fusion Transformer על סדרות זמן (חלון 6–24 שעות). על מערך נתונים עם איכתיופתיריאזיס, AUC-ROC = 0.88, זמן אזהרה ממוצע לפני תסמינים קליניים — 18 שעות. זיהוי מוקדם מפחית תמותה ב-15%, וחוסך עלויות משמעותיות לכלוב לעונה.
ניהול האכלה
מצלמת פני שטח מזהה הזנה שלא נאכלה (זיהוי כדורים באמצעות CV). קלטים: ביומסה, טמפרטורת מים, היסטוריית FCR. פלט: מינון אופטימלי. LightGBM כמודל בסיס, Stable-Baselines3 (RL) למתקדם. בחוות סלמון (12 כלובים, מבחן A/B של 6 חודשים): האכלה מונעת בינה מלאכותית הפחיתה FCR מ-1.32 ל-1.19, חיסכון של 9.8% בהזנה. זה מקצץ משמעותית עלויות, שכן ההזנה מהווה 50–70% מההוצאות התפעוליות.
ניטור איכות מים וחיזוי אירועים
חיישני IoT ונתונים היסטוריים. LSTM חוזה ירידת DO 45–60 דקות לפני רמות קריטיות. פריחת אצות נחזית באמצעות תמונות לוויין Sentinel-2 (כלורופיל-a) בתוספת חיישנים מקומיים. תחזית יבול נבנית על נתונים היסטוריים ותנאי סביבה.
מחסן טכנולוגיות
| משימה | כלים |
|---|---|
| הערכת ביומסה | OpenCV, YOLOv8, SAM, ByteTrack |
| ניתוח התנהגות | PyTorch, LSTM/TFT, OpenCV |
| ניהול האכלה | LightGBM, Stable-Baselines3 |
| איכות מים | InfluxDB, Grafana, LSTM |
| פריסת קצה | NVIDIA Jetson Orin, TensorRT |
השוואה: בינה מלאכותית מול גישה מסורתית
| פרמטר | מערכת בינה מלאכותית | שיטה מסורתית |
|---|---|---|
| דיוק ביומסה | MAE 4.1% | ±8–12% (דגימה) |
| זמן מדידת 500 דגים | 10 דקות | 3 שעות |
| אזהרת מחלה | 18 שעות לפני תסמינים | לאחר תסמינים |
| אופטימיזציית FCR | חיסכון של 8–10% | ניהול ידני |
| ניטור מים | רציף + תחזית | פעם ביום |
מה כלול
- ביקורת של הייצור הנוכחי: הערכת תשתיות, הגדרת KPI.
- תכנון ארכיטקטורה: בחירת חיישנים, מצלמות והתקני קצה.
- פיתוח צינור ML: איסוף נתונים, אימון מודלים, ולידציה.
- אינטגרציה עם מערכות קיימות (ERP, SCADA).
- פריסה באתר (NVIDIA Jetson, מצלמות RTSP, חיישנים).
- הכשרת צוות ותיעוד.
- תמיכה לאחר השקה: ניטור, אימון מחדש של מודלים.
לוחות זמנים משוערים
מערכת ניטור ביומסה (מצלמה סטריאו + הערכה): 10–16 שבועות. פלטפורמה מלאה (ביומסה + מחלות + האכלה + מים): 8–14 חודשים. העלות מחושבת בנפרד לכל חווה.
אנו מבטיחים פעילות יציבה — 99% זמינות לשרתי קצה ודיוק מודלים כפי שצוין. הניסיון שלנו: 6+ שנים בבינה מלאכותית לאגריטק, 15 פרויקטים של ראייה ממוחשבת שהושלמו. קבל ייעוץ לפרויקט שלך — נכין הצעה מסחרית תוך 3 ימי עסקים. בקש הערכה אישית לחווה שלך.