Prosjektnummer
901852
Optimalisert tilvekst basert på forbedret beslutningsstøtte (OptiVekst)
Oppdrettsnæringen trenger en digital transformasjon for å oppnå en bærekraftig vekst. I dag lagres massive mengder data i silo-baserte systemer som ikke snakker sammen. Det antas at det ligger et utappet potensiale i å utnytte de allerede eksisterende dataene ved å få ulike systemer til å kommunisere på felles standarder, og sammenstille ulike datakilder. Likevel er det foreløpig liten investeringsvilje til å utvikle felles plattformer for fellesskapets beste. Spillfree Analytics AS etablerte et initiativ til en slik felles plattform sammen med Lerøy og Piscada allerede i 2018, og startet prosessen med å transformere lukkede, proprietære løsninger fra tradisjonelle leverandører til en åpen plattform med basis i digitale industristandarder.
Dette har bidratt til at alle seriøse leverandører er i ferd med å støtte åpne API (et grensesnitt som gir direkte tilgang til data og funksjonalitet i et datasystem, og gjør det svært mye enklere for et system eller en tjeneste å kommuniserer med datasystemet) og industrielle standarder og har på den måten vært med som pådriver for industristandarder for å understøtte krav til interoperabilitet (egenskap ved et produkt eller et system. Det innebærer at dets grensesnitt er fullstendig forstått, slik at det kan arbeide sammen med andre produkter eller systemer, nåværende eller fremtidige, i en hvilken som helst implementering eller tilgang, uten noen restriksjoner).
Fôr er den viktigste innsatsfaktoren innen oppdrett, og en av de viktigste årsakene til påvirkning på miljøet i oppdrett. Optimalisert utfôring, med minimert fôrspill og maksimering av tilvekst, er derfor et viktig område innen lakseoppdrett. Fiskens appetitt er sterkt knyttet til fiskens miljø, produksjonsbetingelser og helse. Faktorer som påvirker appetitt kartlegges og analyseres i dag ved hjelp av ulike teknologiske hjelpemidler, som produksjonsdatabaser, sensorikk, maskinlæring og kunstig intelligens (KI), som genererer store datamengder. Sondre Eide (leder i Eide Fjordbruk) sier til Intrafish, 5.2.2023: “Dette [KI] vil styrke dei på merdkanten samt bidra til meir lønsamt og berekraftig havbruk”. Men, dessverre så utnyttes ikke disse data til fulle og en går glipp av mye kunnskap og innsikt av verdi for både produktivitet/verdiskaping og en bærekraftig produksjon.
Målet med prosjektet er å utvikle bedre beslutningsstøtte for utfôring, som minimerer fôrspill og maksimerer tilvekst. Dette skal oppnås ved å sammenstille flere datakilder og tilrettelegge og analysere denne informasjonen på en måte som gir fôringsoperatører en bedre og mer målrettet veiledning. En viktig del av prosjektet er å kartlegge og synliggjøre verdiskapingspotensialet som ligger i å kombinere data fra ulike plattformer og sensorer, og gjennom dette motivere for økt investeringsvilje i utvikling og bruk av slike systemer. Prosjektet vil bl.a. forholde seg til utvikling/implementering av AquaCloud Sensorstandarder, og hente overføringsverdi fra andre industrier gjennom HavOpera (infrastruktur for digitalisering i havbruksnæringen etablert ved SINTEF, som er et kontroll- og operasjonsrom som gir en fleksibel og brukervennlig framvisning av forsøksdata).
Det skisserte prosjektet er nært sammenfallende med søkerbedriftens, Spillfree AS, sitt hovedoppmerksomhet på utvikling av optimal fôring og fôringsanalyser løst både gjennom manuelle og automatiske videobaserte observasjoner (VideoTools). Det siste ved bruk av maskinlæring og KI. Samt, søken etter bidrag til forbedringer i kundenes produksjon og derved selskapets bidrag til forbedret verdiskaping. “Kunstig og menneskelig intelligens må arbeide sammen for å oppnå den beste matproduksjonen”, sier Sondre Eide, 5.2.2023, og det er nettopp Spillfree sin målsetning.
Spillfree ønsker nå å utvide sin veiledning gjennom å inkludere data fra ulike kilder som gir informasjon om miljø, fiskehelse/velferd, håndtering, utfôring og fiskens opprinnelse i en analyse av viktige forklaringsfaktorer for fiskens adferd, appetitt og dermed tilvekst. Gjennom å tilegne seg økt kunnskap om den samlede effekten av ulike faktorer, vil en bidra til å utvikle merverdi av eksisterende teknologi for informasjonsinnsamling.
Dette har bidratt til at alle seriøse leverandører er i ferd med å støtte åpne API (et grensesnitt som gir direkte tilgang til data og funksjonalitet i et datasystem, og gjør det svært mye enklere for et system eller en tjeneste å kommuniserer med datasystemet) og industrielle standarder og har på den måten vært med som pådriver for industristandarder for å understøtte krav til interoperabilitet (egenskap ved et produkt eller et system. Det innebærer at dets grensesnitt er fullstendig forstått, slik at det kan arbeide sammen med andre produkter eller systemer, nåværende eller fremtidige, i en hvilken som helst implementering eller tilgang, uten noen restriksjoner).
Fôr er den viktigste innsatsfaktoren innen oppdrett, og en av de viktigste årsakene til påvirkning på miljøet i oppdrett. Optimalisert utfôring, med minimert fôrspill og maksimering av tilvekst, er derfor et viktig område innen lakseoppdrett. Fiskens appetitt er sterkt knyttet til fiskens miljø, produksjonsbetingelser og helse. Faktorer som påvirker appetitt kartlegges og analyseres i dag ved hjelp av ulike teknologiske hjelpemidler, som produksjonsdatabaser, sensorikk, maskinlæring og kunstig intelligens (KI), som genererer store datamengder. Sondre Eide (leder i Eide Fjordbruk) sier til Intrafish, 5.2.2023: “Dette [KI] vil styrke dei på merdkanten samt bidra til meir lønsamt og berekraftig havbruk”. Men, dessverre så utnyttes ikke disse data til fulle og en går glipp av mye kunnskap og innsikt av verdi for både produktivitet/verdiskaping og en bærekraftig produksjon.
Målet med prosjektet er å utvikle bedre beslutningsstøtte for utfôring, som minimerer fôrspill og maksimerer tilvekst. Dette skal oppnås ved å sammenstille flere datakilder og tilrettelegge og analysere denne informasjonen på en måte som gir fôringsoperatører en bedre og mer målrettet veiledning. En viktig del av prosjektet er å kartlegge og synliggjøre verdiskapingspotensialet som ligger i å kombinere data fra ulike plattformer og sensorer, og gjennom dette motivere for økt investeringsvilje i utvikling og bruk av slike systemer. Prosjektet vil bl.a. forholde seg til utvikling/implementering av AquaCloud Sensorstandarder, og hente overføringsverdi fra andre industrier gjennom HavOpera (infrastruktur for digitalisering i havbruksnæringen etablert ved SINTEF, som er et kontroll- og operasjonsrom som gir en fleksibel og brukervennlig framvisning av forsøksdata).
Det skisserte prosjektet er nært sammenfallende med søkerbedriftens, Spillfree AS, sitt hovedoppmerksomhet på utvikling av optimal fôring og fôringsanalyser løst både gjennom manuelle og automatiske videobaserte observasjoner (VideoTools). Det siste ved bruk av maskinlæring og KI. Samt, søken etter bidrag til forbedringer i kundenes produksjon og derved selskapets bidrag til forbedret verdiskaping. “Kunstig og menneskelig intelligens må arbeide sammen for å oppnå den beste matproduksjonen”, sier Sondre Eide, 5.2.2023, og det er nettopp Spillfree sin målsetning.
Spillfree ønsker nå å utvide sin veiledning gjennom å inkludere data fra ulike kilder som gir informasjon om miljø, fiskehelse/velferd, håndtering, utfôring og fiskens opprinnelse i en analyse av viktige forklaringsfaktorer for fiskens adferd, appetitt og dermed tilvekst. Gjennom å tilegne seg økt kunnskap om den samlede effekten av ulike faktorer, vil en bidra til å utvikle merverdi av eksisterende teknologi for informasjonsinnsamling.
Hovedmål
Å forbedre styring av fôring ut fra ny kunnskap og hvordan merdmiljø, fiskehelse/velferd, håndtering og fiskens opprinnelse påvirker fiskens appetitt og vekst.
Delmål (med tilknyttede arbeidspakker (AP-er), jf. Gjennomføring)
• Å standardisere, strukturere og tilgjengeliggjøre data fra ulike datakilder til felles dataplattform (AP1–4).
• Å oppnå forbedret og mer automatisert fôringsstyring gjennom bruk av digitale hjelpemidler: maskinlæring og KI (AP3).
• Å få ny kunnskap om sammenhengene mellom merdmiljø, fiskehelse/velferd, håndtering, fiskens fôrinntak og vekst gjennom analyse av integrert datasett (AP5)
• Å visualisere og tilgjengeliggjøre av resultater for fôringsoperatører (AP5–6).
• Å utvikle optimalisert fôring hos oppdretter ved bruk av resultater fra fôringsanalyser i beslutningsstøtte (AP6).
• Å forsterke kunnskap om og en veibeskrivelse av hva som kreves for å kunne knytte sammen og skape verdi av integrerte datasett (AP7).
Å forbedre styring av fôring ut fra ny kunnskap og hvordan merdmiljø, fiskehelse/velferd, håndtering og fiskens opprinnelse påvirker fiskens appetitt og vekst.
Delmål (med tilknyttede arbeidspakker (AP-er), jf. Gjennomføring)
• Å standardisere, strukturere og tilgjengeliggjøre data fra ulike datakilder til felles dataplattform (AP1–4).
• Å oppnå forbedret og mer automatisert fôringsstyring gjennom bruk av digitale hjelpemidler: maskinlæring og KI (AP3).
• Å få ny kunnskap om sammenhengene mellom merdmiljø, fiskehelse/velferd, håndtering, fiskens fôrinntak og vekst gjennom analyse av integrert datasett (AP5)
• Å visualisere og tilgjengeliggjøre av resultater for fôringsoperatører (AP5–6).
• Å utvikle optimalisert fôring hos oppdretter ved bruk av resultater fra fôringsanalyser i beslutningsstøtte (AP6).
• Å forsterke kunnskap om og en veibeskrivelse av hva som kreves for å kunne knytte sammen og skape verdi av integrerte datasett (AP7).
Det største potensialet for økt
nytteverdi ligger i selve oppdrettsnæringen – hos selskapene. En
forbedret fôring inneholder et potent potensial for forbedret
ressursutnytting og verdiskaping i lakseproduksjonen. Det forventes dessuten:
Produktkvalitet: Redusert nedklassing pga. kortere tid i sjø.
Produksjonskapasitet: Bedre tilvekst, kortere produksjonstid i sjø vil øke MTB-utnyttelsen og næringens totale produksjon ut fra gitte lokaliteter.
Forbedring av HMS: Fremme HMS gjennom bedre dokumenterte prosesser og utstyr som en benytter seg av og/eller tilby som vil gjøre personell mer kompetent til å gjøre gode valg og derved bli mer komfortable i sine jobber.
Forbedret miljøeffekt: Gjennom en bedre styrt fôring og kontinuerlige og forbedrede observasjoner relatert til utfôring og stopp av utfôring, så vil fôrspill og forurensing av miljøet reduseres. Man vil få forbedret bærekraft gjennom en mer optimalisert bruk av fôret og derved en forbedret ressursutnyttelse.
Produksjonskapasitet: Bedre tilvekst, kortere produksjonstid i sjø vil øke MTB-utnyttelsen og næringens totale produksjon ut fra gitte lokaliteter.
Forbedring av HMS: Fremme HMS gjennom bedre dokumenterte prosesser og utstyr som en benytter seg av og/eller tilby som vil gjøre personell mer kompetent til å gjøre gode valg og derved bli mer komfortable i sine jobber.
Forbedret miljøeffekt: Gjennom en bedre styrt fôring og kontinuerlige og forbedrede observasjoner relatert til utfôring og stopp av utfôring, så vil fôrspill og forurensing av miljøet reduseres. Man vil få forbedret bærekraft gjennom en mer optimalisert bruk av fôret og derved en forbedret ressursutnyttelse.
Prosjektet vil basere seg på oppdrett under SINTEF Oceans
forskningskonsesjon STR0023 som omfatter adgang til tre
merder på fire anlegg, driftet av Salmar Farming. De ulike
anleggene har ulikt utsett, så det vil til enhver tid være omtrent
ni merder i drift på konsesjonen på grunn av
brakkleggingsperiodene. Man vil i dette prosjektet integrere data fra miljømålinger (SINTEF),
driftsdata som opprinnelse, fiskehelse/velfered, håndtering samt
data fra fôringssystemer (Piscada), fôringsmønster og appetitt
basert på kameradata (Spillfree), samt informasjon om tilvekst
og helse/velferd også fra kameradata (Createview). I tillegg vil
de sammenstilte dataene bli presentert for operatørene som
drifter lokalitetene (Salmar Farming) og deres erfaring vil bli ført
tilbake til sammenstillingen i iterative prosesser gjennom
prosjektperioden.
Prosjekter gjennomføres med seks faglige arbeidspakker (AP-er). AP1–4 samler og sammenstiller data om henholdsvis miljøet, biomassens tilvekst og helse/velferd, appetittmønster, drifts og fôringsdata. AP5 sammenstiller disse for å lage en forklaringsmodell (både manuelt generte og AI baserte) der alle disse faktorene spiller inn. Denne forklaringsmodellen fremlegges for operatørene gjennom arbeidspakke seks og deres kommentarer sendes tilbake til arbeidspakke fem for å forbedre modellene gjennom en iterativ prosess. I tillegg vil arbeidspakke null sørge for god intern samordning, administrasjon og rapportering, mens arbeidspakke syv sørger for spredning av resultatene til næringen og andre interessenter.
AP1: Samle og analysere miljødata
Ansvarlig: Finn Olav Bjørnson, SINTEF Ocean
Gjennom infrastrukturprosjektet Oceanlab (Oceanlab 2023) har SINTEF Ocean bygget opp en sensorpark for miljømålinger som vil disponeres i dette prosjektet for å skaffe relevante miljømålinger. Dette inkluderer temperatur, oksygen, salinitet, strøm- og bølgemålinger, på flere dyp, både i og utenfor merd. Dataserier kvalitetssikres og sammenstilles av Oceanlab. Som underlag for analyser i AP5, skal det utvikles en referansemodell for appetitt, basert på eksisterende modeller for sammenhenger mellom fiskestørrelse, temperatur, oksygen og appetitt (f.eks. modell i FISHTALK, Aunsmo et al. 2014, Remen et al. 2016). Denne referansemodellen vil fungere som input for analyser i AP5.
AP2: Samle og analysere data om biomassens tilvekst og velferd/helse
Ansvarlig: Even Bringsdal, CreateView
CreateView sitt system vil bli plassert i og flyttet mellom de aktuelle merdene (ca. 9 til enhver tid – 3 på hver lokalitet) for å monitorere tilvekst og fiskehelse/velferd.
AP3: Samle og analysere fôringsmønster og appetitt
Ansvarlig: Sigrid Venås, Spillfree
Integrasjon, innsamling og analyser av videomateriale foretas for å kunne klassifisere fôringsmønster, fiskens appetitt og pellet-observasjoner både manuelt og digitalt (ML). Spillfree sitt analysesystem vil integreres med fôringskameraene til Salmar for å foreta analyse av fôringsmønsteret basert på videomateriale.
AP4: Samle og analysere fôringsinformasjon
Ansvarlig: Steinar Fossen, Piscada
Arbeidspakken vil ta for seg integrasjon, innsamling og analyser av fôringsinformasjon som er tilgjengelig gjennom fôringssystemet og FishTalk. Piscadas system vil integreres mot de ulike fôringssystemene som benyttes på de fire lokalitetene. Det vil i tillegg etableres en løsning for uttrekk av FishTalk-data for de samme lokalitetene. Dette vil gi sanntidsinformasjon om hvordan fôringsoperasjonene utføres og gi oversikt over hvilke valg operatørene foretar i normal drift med fôringen. I tillegg vil det bl.a. gi mulighet for analyser av eventuelle sammenhenger mellom operatøraktivitet, fôringsprestasjoner og tilvekstmål.
AP5: Sammenstille og analysere nøkkelparametere
Ansvarlig: Aya Saad, SINTEF Ocean
Arbeidspakken vil Sammenstille og analysere data fra AP1–4, for å undersøke og forstå sammenhenger mellom miljøparametere, utfôring, appetitt og vekst, helse/velferd, håndtering og opprinnelse og gjennom dette øke forståelsen av fôringsoperasjoner.
AP6: Operatøropplæring
Ansvarlig: Sigrid Venås, Spillfree
Målsetting: Teste datasammenstillingen og analysene mot operatører og få tilbakemeldinger om de har effekt eller ikke. Denne arbeidspakken tilgjengeliggjør resultatene fra fôringsanalysen og forklaringsmodellene fra miljø og fôringsinformasjonen for operatøren som har utført fôringen. Her ønsker man å berike dataene og forklaringsmodellene med erfaringen som operatørene sitter med og som de bruker i sitt daglige arbeid.
Prosjekter gjennomføres med seks faglige arbeidspakker (AP-er). AP1–4 samler og sammenstiller data om henholdsvis miljøet, biomassens tilvekst og helse/velferd, appetittmønster, drifts og fôringsdata. AP5 sammenstiller disse for å lage en forklaringsmodell (både manuelt generte og AI baserte) der alle disse faktorene spiller inn. Denne forklaringsmodellen fremlegges for operatørene gjennom arbeidspakke seks og deres kommentarer sendes tilbake til arbeidspakke fem for å forbedre modellene gjennom en iterativ prosess. I tillegg vil arbeidspakke null sørge for god intern samordning, administrasjon og rapportering, mens arbeidspakke syv sørger for spredning av resultatene til næringen og andre interessenter.
AP1: Samle og analysere miljødata
Ansvarlig: Finn Olav Bjørnson, SINTEF Ocean
Gjennom infrastrukturprosjektet Oceanlab (Oceanlab 2023) har SINTEF Ocean bygget opp en sensorpark for miljømålinger som vil disponeres i dette prosjektet for å skaffe relevante miljømålinger. Dette inkluderer temperatur, oksygen, salinitet, strøm- og bølgemålinger, på flere dyp, både i og utenfor merd. Dataserier kvalitetssikres og sammenstilles av Oceanlab. Som underlag for analyser i AP5, skal det utvikles en referansemodell for appetitt, basert på eksisterende modeller for sammenhenger mellom fiskestørrelse, temperatur, oksygen og appetitt (f.eks. modell i FISHTALK, Aunsmo et al. 2014, Remen et al. 2016). Denne referansemodellen vil fungere som input for analyser i AP5.
AP2: Samle og analysere data om biomassens tilvekst og velferd/helse
Ansvarlig: Even Bringsdal, CreateView
CreateView sitt system vil bli plassert i og flyttet mellom de aktuelle merdene (ca. 9 til enhver tid – 3 på hver lokalitet) for å monitorere tilvekst og fiskehelse/velferd.
AP3: Samle og analysere fôringsmønster og appetitt
Ansvarlig: Sigrid Venås, Spillfree
Integrasjon, innsamling og analyser av videomateriale foretas for å kunne klassifisere fôringsmønster, fiskens appetitt og pellet-observasjoner både manuelt og digitalt (ML). Spillfree sitt analysesystem vil integreres med fôringskameraene til Salmar for å foreta analyse av fôringsmønsteret basert på videomateriale.
AP4: Samle og analysere fôringsinformasjon
Ansvarlig: Steinar Fossen, Piscada
Arbeidspakken vil ta for seg integrasjon, innsamling og analyser av fôringsinformasjon som er tilgjengelig gjennom fôringssystemet og FishTalk. Piscadas system vil integreres mot de ulike fôringssystemene som benyttes på de fire lokalitetene. Det vil i tillegg etableres en løsning for uttrekk av FishTalk-data for de samme lokalitetene. Dette vil gi sanntidsinformasjon om hvordan fôringsoperasjonene utføres og gi oversikt over hvilke valg operatørene foretar i normal drift med fôringen. I tillegg vil det bl.a. gi mulighet for analyser av eventuelle sammenhenger mellom operatøraktivitet, fôringsprestasjoner og tilvekstmål.
AP5: Sammenstille og analysere nøkkelparametere
Ansvarlig: Aya Saad, SINTEF Ocean
Arbeidspakken vil Sammenstille og analysere data fra AP1–4, for å undersøke og forstå sammenhenger mellom miljøparametere, utfôring, appetitt og vekst, helse/velferd, håndtering og opprinnelse og gjennom dette øke forståelsen av fôringsoperasjoner.
AP6: Operatøropplæring
Ansvarlig: Sigrid Venås, Spillfree
Målsetting: Teste datasammenstillingen og analysene mot operatører og få tilbakemeldinger om de har effekt eller ikke. Denne arbeidspakken tilgjengeliggjør resultatene fra fôringsanalysen og forklaringsmodellene fra miljø og fôringsinformasjonen for operatøren som har utført fôringen. Her ønsker man å berike dataene og forklaringsmodellene med erfaringen som operatørene sitter med og som de bruker i sitt daglige arbeid.
Basert på funn i analysene (AP5) om sammenhenger som
sammenstillingen av data viser vil prosjektet informere
interessenter om resultatene gjennom bransjens informasjonsplattformer,
bransjekonferanser (Tekmar, Tekset, Aqua Nor), klyngenettverkene til de
respektive bedriftene underveis,
populære vitenskapelige presentasjoner, mediainnlegg, tema-webinar og ved å tilby kurs – både e-læringskurs
og fysiske kurs.
Det er også planlagt minst én populærvitenskapelig artikkel i fagtidsskrift og én vitenskapelig publikasjon mot slutten av prosjektet. Prosjektrommet Havopera ved SINTEF Ocean vil settes opp til å kunne formidle demonstrasjoner av systemet underveis i prosjektet.
Det er også planlagt minst én populærvitenskapelig artikkel i fagtidsskrift og én vitenskapelig publikasjon mot slutten av prosjektet. Prosjektrommet Havopera ved SINTEF Ocean vil settes opp til å kunne formidle demonstrasjoner av systemet underveis i prosjektet.