Sztuczna inteligencja liczy życie pod wodą – automatyzacja monitoringu biomasy

Klientem jest wiodąca niemiecka instytucja badawcza zajmująca się badaniami polarnymi, klimatycznymi i morskimi. Oddział w Kilonii specjalizuje się w innowacyjnych rozwiązaniach dla zrównoważonej akwakultury. Jednym z kluczowych projektów była hodowla krewetek w warunkach przemysłowych, w ramach której instytut prowadził eksperymenty nad optymalizacją procesów produkcyjnych i monitoringiem zdrowia zwierząt. Wspólnie z zespołem badawczym z Kilonii rozpoczęliśmy prace nad stworzeniem systemu, który pozwoliłby na automatyczne i bezinwazyjne zliczanie krewetek oraz ocenę dynamiki zmian ich biomasy.

Jednym z głównych problemów, z jakimi borykał się instytut, była konieczność regularnego monitorowania liczby krewetek oraz zmian ich masy. Dane te są niezbędne do oceny jakości hodowli, planowania sprzedaży oraz podejmowania decyzji produkcyjnych. Do tej pory zbierano je ręcznie, poprzez próbkowanie – metoda ta była nie tylko czasochłonna i niedokładna, ale również stresująca i potencjalnie szkodliwa dla zwierząt.

Celem było więc opracowanie systemu, który umożliwi automatyczne zliczanie krewetek bez konieczności ich wyławiania. Kluczowe znaczenie miała tu dokładność pomiarów, odporność na zmienne warunki (oświetlenie, różna gęstość i kolor krewetek, ustawienie kamery), a także możliwość prowadzenia pomiarów w sposób ciągły, bez zakłócania pracy farmy.

Etap 1: Prototyp i szybki start

Na potrzeby szybkiego przetestowania założeń stworzyliśmy pierwszą wersję systemu z użyciem iPhone’a, który – podłączony do stałego źródła zasilania – wykonywał zdjęcia co minutę. Zdjęcia były automatycznie przesyłane na serwer. Pomimo tymczasowego charakteru rozwiązania, pozwoliło ono na sprawdzenie jakości danych oraz wykrycie pierwszych ograniczeń infrastrukturalnych (problemy z WiFi w hali hodowlanej).

Etap 2: Rozbudowa infrastruktury technicznej

Po udanym prototypie dostarczyliśmy komplet urządzeń do profesjonalnego rejestrowania obrazu oraz przygotowaliśmy środowisko obliczeniowe (serwery), które umożliwiało przetwarzanie danych w sposób ciągły i stabilny. Skonfigurowaliśmy całą architekturę pod potrzeby systemu CV.

Etap 3: Budowa i testowanie modeli AI

Rozpoczęliśmy prace nad modułem sztucznej inteligencji odpowiedzialnym za analizę obrazu:

1. Przygotowaliśmy i dokładnie oznaczyliśmy zdywersyfikowany zbiór zdjęć z farmy (różne warunki oświetleniowe, gęstości, kąty kamery, kolory).
2. Przetestowaliśmy trzy architektury modeli: Faster R-CNN (detektor dwustopniowy), YOLOv5 (detektor jednostopniowy) oraz model typu density maps oparty na U2-Net.
3. Stworzyliśmy własne warstwy sieci neuronowych i zastosowaliśmy intensywną augmentację danych, by poprawić skuteczność modelu w trudnych warunkach – np. przy wysokim zagęszczeniu krewetek.

Etap 4: Walidacja i optymalizacja

Modele zostały przetestowane na niezależnym zbiorze obrazów spoza treningu, w tym na danych spoza rozkładu (out-of-distribution).

• Najlepiej sprawdził się model YOLOv5, osiągając relatywny błąd zliczania na poziomie ok. 6%.
• System poradził sobie nawet ze scenami zawierającymi ponad 200 osobników na jednym zdjęciu.

Etap 5: Wizualizacja i dostępność wyników

Aby umożliwić zespołowi badawczemu bieżący wgląd w działanie systemu, stworzyliśmy prostą aplikację webową opartą na Streamlit. Umożliwia ona podgląd w czasie rzeczywistym wyników analizy oraz przeglądanie archiwalnych danych obrazowych.

• Ciągły monitoring hodowli – zdjęcia co minutę, analiza w czasie rzeczywistym
• Precyzyjne dane o liczebności i biomasy – lepsze zarządzanie produkcją i sprzedażą
• Ograniczenie stresu i urazów u krewetek – brak potrzeby ich wyławiania
• Automatyzacja żmudnych procesów manualnych – oszczędność czasu i zasobów ludzkich
• Możliwość skalowania – system może być zastosowany w innych typach hodowli (łososie, homary, małże)
• Pozytywny odbiór i plany komercjalizacji – klient zdecydował się rozwijać rozwiązanie poza etap PoC