Herausforderung
In vielen komplexen Produktions- und Aufzuchtprozessen ist eine vollständige Automatisierung mit klassischen technischen Lösungen nicht möglich. Insbesondere in der Aquakultur erfordert die betriebliche Steuerung tiefes Expertenwissen:
- Die Bestimmung von Anzahl und Größe der Garnelen ist entscheidend für:
- Futterdosierung
- Wasserqualität
- Wachstum und Ertrag
- Wirtschaftlichkeit des Betriebs
- Bisher erfolgte die Biomassebestimmung über manuelle Wasserproben
- Diese Stichproben sind aufwendig, fehleranfällig und nur bedingt repräsentativ
Ziel war es daher, den manuellen Aufwand deutlich zu reduzieren und gleichzeitig eine bessere Datengrundlage für die Anlagensteuerung zu schaffen.
Ansatz
SWMS entwickelte ein integriertes Konzept aus Computer Vision, maschinellem Lernen und IoT, das eine kontinuierliche In-situ-Datenerfassung ermöglicht. Die Lösung wurde in drei aufeinander abgestimmte Ebenen gegliedert:
Vorverarbeitung („on the edge“)
- Unterwasserkameras erfassen kontinuierlich Bilddaten in den Becken
- Lokale Recheneinheiten erkennen Garnelen mittels ML-basierter Objekterkennung
- Relevante Sequenzen werden automatisch gefiltert und gespeichert
- Nur relevante Daten werden zur Weiterverarbeitung in die Cloud übertragen
Analyse („in der Cloud“)
- Auswertung der vorverarbeiteten Bilddaten
- Abschätzung der Größe einzelner Garnelen
- Nachverfolgung und Dokumentation von Wachstumsprozessen
- Kombination mit bestehenden historischen Daten
Anpassung des Steuerungssystems
- Integration aller verfügbaren Daten (Bilddaten, Laborwerte, technische Parameter)
- Optimierung der Anlagen- und Fütterungssteuerung
- Nutzung neuer, datenbasierter Eingangsparameter für Regelkreise
Lösung
Das Ergebnis ist ein durchgängiges, datengetriebenes Steuerungskonzept:
- Kontinuierliche Biomassebestimmung ohne manuelle Probenahme
- Objektive, reproduzierbare Datengrundlage
- Deutlich reduzierte Abhängigkeit von Schätzwerten
- Vergleichbarkeit von Standorten, Parametern und Performance
- Grundlage für Best-Practice-Ableitung und standortübergreifenden Wissenstransfer
Das System zeigt exemplarisch, wie sich komplexe, wissensintensive Prozesse durch moderne KI- und IoT-Ansätze automatisieren lassen.
Dieses Projekt wurde im Rahmen des europäischen Forschungsprojekts DIH4CPS – Digital Innovation Hubs for Cyber-Physical Systems
durchgeführt. Fördernummer: 872548