language
person_outline

Aquabyte ADFERD

Platform
Sales planner
Performance
WISE Velferd

Tidlig varsling og viktig beslutningsstøtte

Aquabyte ADFERD er et verdifullt verktøy som gir detaljert innsikt fiskens adferd og avvik fra normale mønstre. Det er et varslingssystem som muliggjør identifisering av utfordringer tidlig, og viktig beslutningsstøtte når tiltak for sikker produksjon og økt fiskevelferd må iverksettes.

Aquabyte ADFERD – data og video for bedre innsikt

Aquabyte ADFERD vises adferdsstatus og adferdsendringer over tid som grafer.

Små endringer i adferd kan gi viktige signaler og varsler om at noe er i ferd med å skje, men være vanskelige å avdekke gjennom vanlige observasjoner. Dette gjelder spesielt i lukkede eller nedsenkede produksjonsmiljøer, der fisken er ute av syne.

Aquabyte ADFERD overvåker fiskens svømmehastighet, svømmetilt og pusteindeks, og leverer presise og regelmessige data via Aquabytes brukerportal. Datapunktene i ADFERD suppleres med videoklipp fra merden, som er tilgjengelige i tre måneder etter opptak. Ved å kombinere data og video fra ADFERD med våre vekt-, lus- og velferdsprodukter – og miljødata fra sensorer – får oppdrettere et komplett bilde av fiskens status og utvikling over tid.

Gevinster ved å bruke Aquabyte ADFERD:

  • Bedre overvåking og oppfølging av fiskens adferd
  • Tidlige varsler om økt stress, velferdsutfordringer, gjellehelse og forhold som kan gi høyere dødelighet
  • Forenkler registrering av svømmehastighet i nedsenket produksjon
  • Videoklipp gjør det enklere å bekrefte adferdsendringer hos fisken og identifisere årsakene til dem
  • ADFERD gir sammen med våre andre produkter et komplett bilde av fiskens status og utvikling over tid
Aquabyte ADFERD overvåker fiskens svømmehastighet, svømmetilt og pusteindeks – og lagrer automatisk videoklipp fra merden i et tre-måneders arkiv.

Pusteindeks – kunnskap om fiskens gjellehelse og tilstand

Pusteindeks registrerer hvor ofte fisken åpner munnen for å lede vann gjennom gjellene, og gir verdifulle indikasjoner på fiskens gjellehelse og generell tilstand. Problemer med oksygenopptak som skyldes sykdom eller lavt oksygennivå i vannet, kan avdekkes ved å overvåke endringer i fiskens pusteindeks.

Svømmehastighet – indikator for status og fiskens stressnivå

ADFERD leverer nøyaktige beregninger av fiskens svømmehastighet og indikerer om fisken over tid svømmer fortere enn hva den bør gjøre. Økt svømmehastighet er tegn på stress, og hastighetsdataene kan bidra til å avdekke biologiske eller miljømessige faktorer som påvirker fisken – som manetangrep, fremmedfisk, økt algeforekomst og endringer i oksygennivå.

Ved nedsenket produksjon er det pålagt å registrere fiskens svømmehastighet. Aquabyte ADFERD gjør dette automatisk, og bidrar dermed til en mer effektiv og mindre arbeidskrevende prosess.

Svømmetilt – overvåker fiskens tilgang til luft

Svømmetilt overvåker fiskens hodeposisjon og vinkel i forhold til svømmeretningen. Forhøyet tilt, der fisken konsekvent har hodet høyere enn kroppen, kan indikere at den ikke etterfyller svømmeblæren og dermed ikke får opprettholdt korrekt oppdrift.

I åpne merder går fisken til overflaten for å etterfylle svømmeblæren. I nedsenket produksjon er den avhengig av luft via luftkuppelen i merden. Økning i svømmetilt kan være tegn på problemer med lufttilførselen, og overvåking av denne adferden gir tidlige varsler om tekniske problemer knyttet til dette.

Tre måneders videoarkiv – dokumentasjon og beslutningsstøtte

Aquabyte ADFERD tar automatisk opp videoklipp fra merden og lagrer disse i et arkiv. Klippene tidskodes og er tilgjengelige i tre måneder etter opptak. Med god videohistorikk kan unormal adferd observeres og videoene brukes for å dokumentere konsekvenser av endringer i biologi og miljø over tid.
Videoklippene i arkivet kan deles med kolleger som har tilgang til Aquabyte Brukerportal.

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