KI zählt das Leben unter Wasser – Automatisierte Biomasse-Überwachung

Unser Kunde ist eine führende deutsche Forschungseinrichtung mit Fokus auf Polar-, Klima- und Meeresforschung. Die Niederlassung in Kiel ist auf innovative Lösungen für eine nachhaltige Aquakultur spezialisiert. Eines der Schlüsselprojekte war die industrielle Garnelenzucht, in deren Rahmen das Institut Experimente zur Optimierung von Produktionsprozessen und zur Überwachung der Tiergesundheit durchführte. Gemeinsam mit dem Forschungsteam in Kiel haben wir die Entwicklung eines Systems gestartet, das eine automatische und nichtinvasive Zählung von Garnelen sowie die Analyse der Biomasse-Dynamik ermöglicht.

Eine der größten Herausforderungen des Instituts war die regelmäßige Überwachung der Garnelenanzahl und der Veränderungen ihrer Biomasse. Diese Daten sind entscheidend für die Bewertung der Zuchtqualität, die Verkaufsplanung und fundierte Produktionsentscheidungen. Bisher wurden die Daten manuell durch Probenahme erhoben – eine Methode, die nicht nur zeitaufwändig und ungenau, sondern auch stressig und potenziell schädlich für die Tiere war. 

Ziel war es daher, ein System zu entwickeln, das eine automatische Zählung der Garnelen ohne Entnahme ermöglicht. Besonders wichtig waren hierbei die Messgenauigkeit, die Widerstandsfähigkeit gegenüber variablen Bedingungen (Beleuchtung, unterschiedliche Dichte und Färbung der Garnelen, Kameraposition) sowie die Fähigkeit zur kontinuierlichen Messung ohne Störung des Farmbetriebs. 

Phase 1: Prototyp und schneller Einstieg

Zur schnellen Validierung der Projektidee entwickelten wir eine erste Version des Systems mit einem iPhone, das über eine konstante Stromversorgung verfügte und alle 60 Sekunden ein Bild aufnahm. Diese Bilder wurden automatisch an einen Server gesendet. Trotz des provisorischen Charakters ermöglichte diese Lösung die erste Überprüfung der Datenqualität und zeigte infrastrukturelle Einschränkungen auf (z. B. Probleme mit dem WLAN in der Zuchthalle).

Phase 2: Ausbau der technischen Infrastruktur

Nach den erfolgreichen Prototypen lieferten wir professionelle Aufnahmegeräte und richteten eine stabile, kontinuierlich arbeitende Serverinfrastruktur ein. Die gesamte Systemarchitektur wurde speziell auf die Anforderungen des Computer Vision (CV) Systems abgestimmt.

Phase 3: Entwicklung und Test der KI-Modelle

Wir entwickelten ein KI-Modul zur Bildanalyse:

1. Wir erstellten und annotierten einen diversifizierten Datensatz mit Bildern der Farm unter verschiedenen Bedingungen (Licht, Dichte, Kamerawinkel, Farbvariationen).
2. Drei Modellarchitekturen wurden getestet: Faster R-CNN (zwei-stufiger Detektor), YOLOv5 (ein-stufiger Detektor) und ein Density-Map-Modell basierend auf U2-Net.
3. Wir entwickelten eigene Netzwerkschichten und setzten intensive Datenaugmentation ein, um die Robustheit bei hoher Garnelendichte zu erhöhen.

Phase 4: Validierung und Optimierung

Die Modelle wurden an einem unabhängigen, nicht im Training enthaltenen Datensatz getestet, einschließlich out-of-distribution Daten.

• YOLOv5 erzielte die besten Ergebnisse mit einem relativen Zählfehler von ca. 6 %.
• Das System konnte selbst Szenen mit über 200 Garnelen pro Bild erfolgreich verarbeiten.

Phase 5: Visualisierung und Datenzugriff

Für den Forschungspartner entwickelten wir eine einfache Webanwendung auf Basis von Streamlit, die eine Echtzeitansicht der Ergebnisse und einen Zugriff auf das Bildarchiv ermöglicht.

• Kontinuierliches Monitoring der Zuchtanlage – Bilder alle 60 Sekunden, Analyse in Echtzeit
• Präzise Daten zu Anzahl und Biomasse – bessere Steuerung von Produktion und Verkauf
• Reduzierter Stress und Verletzungsrisiko für Garnelen – keine Entnahme erforderlich
• Automatisierung manueller, aufwändiger Prozesse – Zeit- und Ressourceneinsparung
• Skalierbarkeit – System auch für andere Arten geeignet (Lachs, Hummer, Muscheln)
• Positive Resonanz und Kommerzialisierungspläne – Kunde entschied sich zur Weiterentwicklung über die PoC-Phase hinaus