18 сентября 2026 г. в Научно-исследовательской лаборатории «Прогрессивные биотехнологии в аквакультуре» состоялся ключевой этап реализации инновационного проекта «Контроль веса и размера рыбы в УЗВ с применением машинного зрения».
28.08.2026 09:56:38
Студент 2-го курса направления подготовки «Прикладная информатика» Илья Константинович Малинкин совместно с ассистентом кафедры «Цифровое управление процессами в АПК» Дмитрием Александровичем Ждановым провели масштабную съемку фото- и видеоматериалов для формирования обучающей выборки (датасета) нейросетевой модели.
Цифровая трансформация аквакультуры
Проект направлен на создание интеллектуальной бесконтактной (неинвазивной) системы мониторинга гидробионтов. Традиционные методы взвешивания и измерения рыбы требуют ее вылова из воды, что вызывает у особей сильный стресс, замедляет темпы роста и повышает риск заболеваний. Разрабатываемая система на базе технологий компьютерного зрения (Computer Vision) и глубинного обучения (Deep Learning) позволит отслеживать размерно-весовые показатели рыбы в режиме реального времени непосредственно в установке замкнутого водоснабжения (УЗВ), не нарушая среду ее обитания.
Технические особенности сбора данных
Процесс формирования датасета является одним из самых трудоемких и критически важных этапов в разработке ИИ-решений. В ходе съемки использовались специализированные камеры глубины (включая Intel RealSense), позволяющие фиксировать не только цветовое (RGB) изображение, но и карту глубины сцены.
Участникам проекта предстояло решить ряд сложных технических задач: учесть оптические искажения и преломление света в воде, нивелировать влияние бликов от систем освещения УЗВ, а также зафиксировать рыбу в различных ракурсах и при разной степени перекрытия особей друг другом. Именно такое разнообразие данных обеспечит высокую робастность (устойчивость) будущей нейросети к реальным условиям эксплуатации.
Комментарии участников проекта
«Качество и репрезентативность датасета напрямую определяют успех всей модели машинного обучения. Алгоритм сегментации будет настолько хорош, насколько хороши данные, на которых он обучался. Мы стремились собрать максимально полную выборку, охватывающую различные сценарии поведения рыбы в бассейне, чтобы минимизировать ошибки на этапе продакшена», – отметил ассистент кафедры «Цифровое управление процессами в АПК» Дмитрий Александрович Жданов, выступающий научным руководителем данного этапа работ.
Студент Илья Малинкин поделился впечатлениями от практической работы: «Для меня это уникальная возможность применить теоретические знания по прикладной информатике и анализу данных на реальном производственном объекте. Работа с "живыми" данными в условиях лаборатории кардинально отличается от учебных задач: здесь ты сталкиваешься с реальным шумом, непредсказуемым движением объектов и необходимостью искать нестандартные инженерные решения. Этот опыт бесценен для моего профессионального роста».
Что дальше?
Собранный массив данных (сотни фотографий и часы видеозаписей) в ближайшее время пройдет процедуру строгой фильтрации и аннотирования. Специалисты проекта вручную разметят контуры рыб, создав точные бинарные маски для обучения моделей сегментации экземпляров (Instance Segmentation), таких как YOLOv8-seg и YOLOv11-seg.
После завершения разметки начнется этап обучения нейросети, валидации метрик (mAP50-95, Precision, Recall) и интеграции модели в единый программный пайплайн, который будет переводить 2D-маски и данные глубины в реальные метрические размеры и расчетный вес рыбы.
Реализация данного проекта наглядно демонстрирует эффективность взаимодействия студентов и преподавательского состава в решении актуальных задач цифровизации агропромышленного комплекса (АПК) и внедрения технологий искусственного интеллекта в реальный сектор экономики.
Цифровая трансформация аквакультуры
Проект направлен на создание интеллектуальной бесконтактной (неинвазивной) системы мониторинга гидробионтов. Традиционные методы взвешивания и измерения рыбы требуют ее вылова из воды, что вызывает у особей сильный стресс, замедляет темпы роста и повышает риск заболеваний. Разрабатываемая система на базе технологий компьютерного зрения (Computer Vision) и глубинного обучения (Deep Learning) позволит отслеживать размерно-весовые показатели рыбы в режиме реального времени непосредственно в установке замкнутого водоснабжения (УЗВ), не нарушая среду ее обитания.
Технические особенности сбора данных
Процесс формирования датасета является одним из самых трудоемких и критически важных этапов в разработке ИИ-решений. В ходе съемки использовались специализированные камеры глубины (включая Intel RealSense), позволяющие фиксировать не только цветовое (RGB) изображение, но и карту глубины сцены.
Участникам проекта предстояло решить ряд сложных технических задач: учесть оптические искажения и преломление света в воде, нивелировать влияние бликов от систем освещения УЗВ, а также зафиксировать рыбу в различных ракурсах и при разной степени перекрытия особей друг другом. Именно такое разнообразие данных обеспечит высокую робастность (устойчивость) будущей нейросети к реальным условиям эксплуатации.
Комментарии участников проекта
«Качество и репрезентативность датасета напрямую определяют успех всей модели машинного обучения. Алгоритм сегментации будет настолько хорош, насколько хороши данные, на которых он обучался. Мы стремились собрать максимально полную выборку, охватывающую различные сценарии поведения рыбы в бассейне, чтобы минимизировать ошибки на этапе продакшена», – отметил ассистент кафедры «Цифровое управление процессами в АПК» Дмитрий Александрович Жданов, выступающий научным руководителем данного этапа работ.
Студент Илья Малинкин поделился впечатлениями от практической работы: «Для меня это уникальная возможность применить теоретические знания по прикладной информатике и анализу данных на реальном производственном объекте. Работа с "живыми" данными в условиях лаборатории кардинально отличается от учебных задач: здесь ты сталкиваешься с реальным шумом, непредсказуемым движением объектов и необходимостью искать нестандартные инженерные решения. Этот опыт бесценен для моего профессионального роста».
Что дальше?
Собранный массив данных (сотни фотографий и часы видеозаписей) в ближайшее время пройдет процедуру строгой фильтрации и аннотирования. Специалисты проекта вручную разметят контуры рыб, создав точные бинарные маски для обучения моделей сегментации экземпляров (Instance Segmentation), таких как YOLOv8-seg и YOLOv11-seg.
После завершения разметки начнется этап обучения нейросети, валидации метрик (mAP50-95, Precision, Recall) и интеграции модели в единый программный пайплайн, который будет переводить 2D-маски и данные глубины в реальные метрические размеры и расчетный вес рыбы.
Реализация данного проекта наглядно демонстрирует эффективность взаимодействия студентов и преподавательского состава в решении актуальных задач цифровизации агропромышленного комплекса (АПК) и внедрения технологий искусственного интеллекта в реальный сектор экономики.