language
person_outline

Aquabyte WISE Velferd

Platform
Sales planner
Performance
WISE Velferd

Økt verdiskaping gjennom innsikt i fiskens velferd

Aquabyte WISE Velferd er det første datadrevne, automatiske system for velferdskåring basert på Havforskningsinstituttets LAKSVEL-protokoll. Utover velferdsindikatorene definert i LAKSVEL, overvåker vårt system også flere andre indikatorer. WISE Velferd gir dypere innsikt, og gjør at gode beslutninger kan tas basert på et helhetsbilde av fiskens velferd. Dette skaper økt verdi for virksomheten både på kort og lang sikt.

I WISE vises generell velferdsstatus og superior-andel per merd for enkel sammenligning. Detaljert visning basert på LAKSVEL og Aquabytes ekstra velferdsindikatorer er også tilgjengelig.

Gevinster ved å bruke Aquabyte WISE Velferd

  • Mindre manuell håndtering reduserer stress og skader på fisken
  • Helse- og velferdsutfordringer oppdages tidligere
  • Fiskens velferdsstatus blir en del av beslutningsgrunnlaget
  • Kontinuerlig oversikt over superior-andel på lokalitets- og merdnivå
  • Enklere å velge riktige merder og tidspunkt for slakt
  • Beste avlusingsmetode kan baseres på kunnskap om fiskens velferdsstatus

Mer enn LAKSVEL

Velferdsindikatorene i LAKSVEL-protokollen utgjør kjernen i vårt produkt for overvåking av fiskevelferd. For å gi deg enda dypere innsikt i fiskens totale helse, overvåker vårt system flere velferdsindikatorer enn de som er definert i LAKSVEL. Med WISE Velferd får du i ytterlige data knyttet til øyestatus, finneskader, gjelleskader og kjevedeformiteter. WISE Velferd gir også informasjon om hvorvidt sår på fisken er aktive eller i ferd med å helses.
Innsikten som WISE Velferd gir utover indikatorene definert i LAKSVEL, er avgjørende når det skal tas beslutninger som påvirker både fiskens velferd og virksomhetens lønnsomhet.

Velferdskåring også i smoltproduksjon

Aquabyte WISE Velferd kan brukes for overvåking av fisk i alle typer merder og i smoltproduksjon. Med automatisk velferdsskåring i smoltkaret reduserer Aquabyte-systemet behovet for manuell håndtering. Smolten opplever mindre stress og får færre fysiske skader. Økt velferd og bedre helse, som følge av redusert manuell håndtering, gir gevinster i form av mindre sykdom og lavere dødelighet, både under produksjonsfasen på land og når smolten settes i sjøen.

Bedre beslutninger basert på fiskens velferd

Aquabyte WISE Velferd gir innsikt som støtter beslutningsprosesser gjennom hele produksjonsperioden. Kontinuerlige oppdateringer på velferd og trender gjør det mulig å iverksette forebyggende tiltak på et tidligere tidspunkt. Inngående kunnskap om fiskevelferden er også avgjørende ved valg av avlusingsmetode. Er fisken i god nok tilstand til at mekanisk avlusning er forsvarlig, eller bør annen type behandling vurderes?

Helhetlig oversikt

Via Aquabytes brukerportal gjør WISE Velferd det enkelt for deg å få oversikt over velferdskår for hver enkelt merd og å sammenligne merder på lokaliteten.
Generelle velferdsdata og superior-andel vises i et brukervennlig grensesnitt som inkluderer alle merder utstyrt med Aquabyte-systemet. Dette grensesnittet gir en helhetlig oversikt over lokalitetens samlede status og fremhever merder med velferdsrelaterte utfordringer.
Detaljert velferdsskåring for hver enkelt merd er tilgjengelig som sanntidsdata og trendgrafer over tid. Bildene fra Aquabyte-kameraet, som danner grunnlag for beregning av velferdsdata, er også tilgjengelige gjennom Brukerportalen.

Med maskinlæring analyseres bildene som kameraet i merden tar. Bildene og velferdsanmerkningervises i Aquabytes brukerportal.

Hvilken merd bør slaktes først?

Å velge feil merd for slakt kan få store konsekvenser for selskapets inntjening. Merder med fisk av samme størrelse kan ha svært ulikt potensial når velferdsstatus tas med i betraktningen. WISE Velferd gir innsikt i status på sår, skader og deformiteter, samt indikasjoner på forventet utvikling fremover i tid. Ved å ta beslutninger basert på kunnskap og innsikt, snarere enn på antagelser og gjetninger, øker du sjansen for bedre resultater, både for fiskens velferd og for selskapets lønnsomhet.

Følgende velferdsindikatorer overvåkes i WISE Velferd

  • Skinnhelse (aktive og helende kroppssår, skjelltap, snuteskade)
  • Deformiteter (gjellelokkdeformitet, kjevedeformitet oppe og nede, ryggradsdeformitet)
  • Finneskade (gattfinne, halefinne, brystfinne, bukfinne, ryggfinne)
  • Øyevelferd (øyeblakking, øyeskade, utstående øyne)
  • Kjønnsmodning
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