Tilbake til søkeresultatene

HAVBRUK2-Stort program for havbruksforskning

NordForsk - Intelligent farming and health control in landbased recirculating aquaculture systems

Tildelt: kr 2,6 mill.

Produksjon av fisk i landbasert akvakultur er en betydelig kilde for animalsk protein for human ernæring i Norden. Bruk av resirkuleringsteknologi i akvakultursystemer (RAS) er en miljømessig bærekraftig løsning som blir mer og mer relevant for dagens produksjonssystemer. Store utfordringer med disse produksjonssystemene forårsaker midlertid snevre produksjonsmarginer og økonomisk usikkerhet. En del av dissse utfordringene er knyttet til fiskehelse og produksjonsytelse. Store mengder av data om vannkvalitet, fôrbruk og helseparametere samles inn gjennom overvåking av fisken og deres miljø via sensorer og manuel overvåking. I de fleste tilfeller lagres disse dataene i separate datasystemer, uten å utnytte det enorme potensialet for mer presis overvåking og rapportering av helse, velferd og vekst hos fisken i sanntid. Prosjektet tar sikte på å integrere slike data fra mange RAS-anlegg og produksjonssykluser. Disse data vil brukes i modeller og ved bruk av kunstig intelligens (AI) vil det utvikles verktøy slik at oppdrettere kan gå fra erfaringsbasert til kunnskapsbasert beslutningstaking -såkalt "precision fish farming". Dette vil muliggjøre en mer bærekraftig produksjon med hensyn til produksjonsmarginer, miljøpåvirkning og fiskehelse og -velferd. Den beste indikatoren på helse og trivsel er fiskens egen oppførsel. En stor utfordring i RAS er bedre utnyttelse av fôr. Vi vil bruke AI og statistiske modeller for å utvikle en lukket model for fôring for å redusere svinn og optimere veksten, og gå fra manuell analyse og respons til en kunnskapsbasert automatisk. Dette gjøres ved å bruke dyplæringsverktøy på videosekvenser av fisk, dvs. lære datasystemer hvordan fisken reagerer når de er sultne og når de har fått fôr. I tillegg vil statistiske modeller bli brukt på de integrerte datakildene og videosekvensene for å utvikle et system for tidlig oppdagelse og varsling av kommende sykdomshendelser, og dermed gi røkteren tid til å reagere i det trange tidsvinduet mellom en uønsket helsehendelse og død. Spesifikke mål er: * Integrering av flere datakilder til bigdata inkludert data om vannkvalitet, fôrbruk, helse og produksjon * Utvikle et dyplæringsbasert prototypesystem for audiovisuell overvåking av fiskeatferd i RAS-anlegg * Utvikling av en dynamisk vekstmodell som inkluderer flere datakilder * Implementering av presisjonsoppdrettssystem for optimal produksjon * Utvikling av et helseovervåkingssystem.

Production of fish in land-based aquaculture contributes significantly to the production of animal protein in the human food-supply chain in the Nordic countries. Recirculation aquaculture systems (RAS) provide an environmentally sustainable solution that is becoming more and more relevant for current production systems. However, considerable challenges with these production systems means narrow production margins and uncertainties regarding fish health and production performance. An extensive amount of information on water quality, feed use and health parameters are gathered through monitoring of the fish and their environment via sensors. In most cases, these data are stored in separate datasystems, not utilizing the huge potential for more precise monitoring and reporting of the realtime health, welfare and growth of the fish. We aim to integrate such data from many farms and production cycles and through the usage of Artificial Intelligence (AI), enabling the farmers to move from experience-based to knowledge-based decision making. This will enable a more sustainable production with regards to production margins, environmental impact and fish health and -welfare. The best indicator of health and performance is the behaviour of the fish themselves. One major challenge in RAS is waste of feed. We will use AI and statistical models to develop a closed loop control of feeding to reduce feed waste and optimize growth, moving from a manual analysis and response to a knowledge-based automatic one. This will be done by the application of deep learning tools on video sequences of fish, teaching computer systems how the fish react when they are hungry and when they have been feed. In addition, statistical models will be used on the integrated datasources and video sequences to develop a system for early detection and warning of upcoming disease events, thus giving the farmer time to react in the narrow time-window between an adverse health event and death.

Aktivitet:

HAVBRUK2-Stort program for havbruksforskning