OTC-Marikultur & OTC-Mariculture2

Die Verbundprojekte OTC-Marikultur und OTC-Mariculture2 sind Teil des Zukunftsclusters OTC Rostock und adressieren zentrale Herausforderungen der modernen Aquakultur: Effizienz, Nachhaltigkeit und Tierwohl.

Aufbauend auf den Ergebnissen des Projekts OTC-Marikultur entwickelt OTC-Mariculture2 ein autonomes, KI-basiertes System zur Überwachung, Steuerung und Fernbewirtschaftung von Aquakulturanlagen. Während sich das Vorgängerprojekt auf das Monitoring von Netzgehegen in der Marikultur konzentrierte, wird der Ansatz nun auf weitere Anlagentypen und Fischarten übertragen. Ziel ist ein skalierbares, universell einsetzbares Managementsystem für unterschiedliche Aquakultur-Produktionsformen.

Wie lassen sich Aquakulturanlagen effizienter, nachhaltiger und tierwohlorientierter betreiben?

OTC-Mariculture2 verbindet Sensorik, Kamerasysteme und Künstliche Intelligenz, um Aquakulturprozesse prädiktiv und datenbasiert zu steuern – von der Fütterung bis zur Anlagenbewirtschaftung, an Land und auf See.

Projektbeschreibung

Zielsetzung

Ziel von OTC-Mariculture2 ist die Entwicklung eines KI-basierten Managementsystems, das Aquakulturanlagen kontinuierlich überwacht, Betriebszustände analysiert und Betreiber bei Entscheidungen aktiv unterstützt.

Dazu werden Sensor-, Bild- und Videodaten aus unterschiedlichen Aquakultursystemen erfasst, intelligent ausgewertet und in konkrete Handlungsempfehlungen und Steuerungsimpulse überführt. Ein besonderer Fokus liegt auf:

• dynamischer, ressourceneffizienter Fütterung,
• der Steigerung der Betriebseffizienz,
• sowie der Sicherung von Tierwohl und Anlagenstabilität.

Die entwickelten Lösungen werden schrittweise in Netzgehegen, landbasierten Kreislaufanlagen (RAS) und Floating-RAS-Systemen erprobt. So entsteht ein übertragbarer Ansatz für unterschiedliche Produktionsbedingungen in der Aquakultur.

Forschungsschwerpunkt des Fraunhofer IGD

Das Fraunhofer IGD fokussiert sich im Projekt auf die KI-basierte Auswertung von Bild- und Videodaten für die Aquakultur.

Im Mittelpunkt stehen Computer-Vision- und Machine-Learning-Verfahren, mit denen relevante Tierwohlindikatoren und Zuchtparameter automatisiert und nicht-invasiv erfasst werden können. Dazu zählen unter anderem:

• Analyse von Fischverhalten (z. B. Fress- und Schwarmverhalten),
• Bewertung von Gesundheitszustand und Stressindikatoren,
• KI-gestützte Größenbestimmung.

Ein zentrales Forschungsziel ist die Übertragbarkeit der Algorithmen auf unterschiedliche Fischarten, Anlagentypen sowie Unter- und Überwasser-Kamerasysteme. Die entwickelten Verfahren werden als Software-Sensoren in das übergeordnete Mess-, Steuerungs- und Regelungssystem integriert und bilden die Grundlage für den Predictive-Management-Ansatz des Projekts.