language
Logg inn
Datadrevet fiskevelferd
Lus
Vekt
Velferd Wise
Teknologi

Innsikt i fiskens helse og velferd

Aquabyte WISE Velferd er markedets eneste automatiske system for overvåking av fiskehelse fullt basert på Havforskningsinstituttets LAKSVEL-protokoll og velferdsindikatorer. Maskinlæring og kunstig intelligens overvåker totalt 14 ytre indikatorer, og med daglige oppdateringer på merdnivå gir Aquabyte WISE velferd kontinuerlig innsikt i fiskens faktiske helse og velferd.

Gevinster ved å bruke Aquabyte WISE Velferd

  • Ingen manuell håndtering reduserer stress og skader på fisken
  • Gir innsikt som gjør det enklere å ta riktige beslutninger basert på fiskens faktiske helse og velferd
  • Gjør det mulig å iverksette helse og velferdsrelaterte tiltak på tidligere tidspunkt
  • Gjør det mulig å velge beste slaktetidspunkt basert på fiskens faktiske helse og velferd
  • Gjør det mulig å velge korrekt avlusingsmetode basert på fisken faktiske helse og velferd
  • Gir oversikt over superior-andel på merdnivå

Daglige velferdsoppdateringer

Aquabyte-kameraet i merden tar over én milliion bilder hver dag som danner basis for dataene og innsikten som Aquabyte WISE velferd gir. Velferdsinformasjonen oppdateres daglig i Aquabyte Brukerportal, og dag-for-dag data vises i form av grafer som gir god oversikt i trender og fiskens velferdsutvikling.

Riktige avgjørelser basert på fiskens velferd

Aquabyte WISE Velferd gir uvurderlig innsikt når viktige og riktige beslutninger skal tas i løpet av produksjonen. Kunnskap om fiskens faktiske helse og velferd kan være avgjørende for hvilke avlusingsmetode som bør brukes, og er et viktige hensyn som kan få store økonomiske konsekvenser når merd for slakting skal velges.  Aquabyte WISE Velferd gir også tidlig innsikt i fiskens velferds- og helsestatus, og gjør det mulig å iverksette preventive tiltak på et mye tidligere tidspunkt.

Skinnhelse, øyevelferd og deformiteter

Aquabyte WISE Velferd er overvåker alle de viktigste ytre parameterne som påvirker fiskens velferd og helse. Daglige oppdateringer gjør det mulig å se trender og utvikling på tidlige stadier, slik at nødvendige tiltak kan iverksettes så raskt som mulig. Aquabyte WISE Velferd overvåker følgende parametere som skåres fra 1-3 avhengig av alvorlighetsgrad:

  • Skinnhelse: (kroppssår, skjellskade, snuteskade)
  • Deformiteter (gjellelokkdeformitet, kjevedeformitet, ryggradsdeformitet)
  • Finneskade (gattfinne, halefinne, brystfinne, bukfinne, ryggfinne)
  • Øyevelferd (øyeblakking, øyeskade, utstående øyne)
  • Kjønnsmodning

Superior-andel

I Aquabyte WISE Velferd vises status for velferdsindikatorene i et oversiktlig grensesnitt som gjør det enkelt å identifisere helsetilstand på merdnivå og å sammenligne status i forskjellige merder. Grensnittet gir også kontinuerlig informasjon om superior-andel, med detaljert informasjon om hvilke nedgraderinger som er beregnet. Kriteriene for nedgradering kan settes individuelt.

Book demo

Spørsmål og svar om maskinlæring

Maskinlæring er en form for kunstig intelligens. Det er en programvare, et nettverk av algoritmer, som trenes opp til å gjenkjenne og tolke mønster i bilder og datamengder. Teknologien bak er den samme som blir brukt i ansiktsgjenkjenning i sosiale medier, til å tolke trafikkbildet for selvkjørende biler – eller til å anbefale deg filmer eller musikk på Spotify og Netflix ut fra dine tidligere valg.

Vanlig dataprogram utføres en utregning på basis av data som blir tastet inn i programmet. I maskinlæring  utvikler programmene og algoritmene seg etter hvert som de blir «trent » av ny data. Det blir en form for mønstergjenkjenning, der algoritmene lærer seg hva de skal se etter. De får nye treningsdata sammen med korrigeringer på svarene de har gitt tidligere, og kommer opp med mer og mer presises resultater.

La oss si at algoritmene skal trenes opp til å gjenkjenne lakselus. Algoritmene blir da matet inn med treningsdata, en mengde bilder a laks med lus i ulike stadier. Gjennom tilbakemeldinger blir algoritmene mer og mer treffsikre i å gjenkjenne lakselusen. Det er viktig å bruke bilder tatt under reelle forhold i merden, med skiftende lysforhold, og ulike vinkler av fisken.

Kvaliteten på algoritmene er viktig. Kanskje må de justeres for å legge vekt på andre faktorer i dataene, slik at resultatene blir mer presis. Kanskje må antallet algoritmer dataen må gjennom utvides. Ta for eksempel en programvare som skal gjenkjenne identiteten til enkeltfisk på grunnlag av det unike prikkmønsteret hver av dem har. Hvis algoritmene også skal gjenkjenne den samme fisken over tid, må algoritmene ha kapasitet til å forstå hvordan prikkmønsteret endres med størrelsen til fisken.

Bildene er tatt med et undervannskamera i merden. Per Erik Hansen, produktsjef for lus og velferd i Aquabyte, nevner at selskapet bruker et standard to-linsekamera med spesielt god optikk for å kunne måle 3D-avstand til fisken. Kameraet tar bilder kontinuerlig, er optimalt plassert slik at flest mulig fisk kan svømme forbi. Programvaren som kjører på kameraet filtrerer bort irrelevante bilder og analyserer de beste.

De av våre kunder som har benyttet seg av systemet over lengre tid, rapporterer at resultatene viser seg å stemme godt med virkeligheten. Oppdretterne får daglige lusetall for hver merd, med telling av lus på langt flere fisk enn ved manuell telling. Programvaren skiller individuelle fisk fra hverandre, slik at samme fisk ikke telles flere ganger. Dette bidrar til at Aquabyte leverer lusetall med stor nøyaktighet.

Presis telling av lakselus og nøyaktig estimat av vekt- og distrubisjonsdata er to av bruksområdene som til nå har fått ferdig utviklede løsninger. Fiskehelse er et annet viktig anvendelsesområde. Detektering av vintersår, deformasjoner og andre ytre forandringer på laksen er aktuelle bruksområder. Ved å gi oppdretteren mye bedre innsikt og beslutningsgrunnlag vil man kunne ta langt bedre beslutninger og i det hele få en mer effektiv drift av oppdrettsanlegget.

keyboard_arrow_up