Hvorfor oppstår hull – og hvorfor det betyr noe i praksis
Hull i oppdrettsnot er sjelden et resultat av én enkelt hendelse. I praksis oppstår de ofte som en kombinasjon av mekanisk slitasje, ytre påvirkning og gradvis svekkelse over tid. Små svekkelser kan utvikle seg over uker og måneder før de blir synlige som faktiske hull.
De vanligste årsakene vi ser er:
- Slitasje og utmatting i notmaterialet, særlig i områder med høy belastning eller mye bevegelse i nota
- Kontakt med utstyr, som lodd, kjetting, fortøyninger eller servicefartøy
- Biologiske påvirkninger, som begroing som øker vekt og friksjon, eller gnag fra fisk
- Tidligere reparasjoner eller skjøter, som ofte er svakere enn resten av nota
- Eksterne hendelser, som røff sjø, strøm eller håndtering i forbindelse med drift og service
Konsekvensene kan være betydelige. Rømt laks fra oppdrettsanlegg er en betydelig miljøutfordring i Norge, og i 2024 ble det registrert over 93 000 rømninger – det høyeste antallet på fem år. Skader som ikke oppdages tidlig kan forverres raskt og i verste fall føre til rømming, produksjonstap, økt arbeidsbelastning og negative konsekvenser for både fiskevelferd og miljø.
Tradisjonelt avdekkes slike skader gjennom periodiske inspeksjoner med ROV eller manuell kontroll – metoder som er tidkrevende, kostbare og sterkt avhengige av gode forhold.
Ser vi noen år frem i tid, er det naturlig å se for seg at vaske- og inspeksjonsroboter som Watbots ONE inspiserer oppdrettsnøtene for hull på daglig basis. Målet er å gi røkter og driftsleder kontinuerlig beslutningsstøtte, med tidligere varsling, bedre oversikt og redusert risiko for rømmingshendelser og rømt oppdrettslaks.
Hull i not, detektert av Watbots ONE
Utgangspunktet: video fra faktisk drift
All utvikling starter i virkeligheten. Vi trener ikke modeller på generiske datasett, men på video samlet inn fra vår egen robot i operativ drift og ved FOU-stasjonen i Askvoll. Det er viktig å være tydelig på at roboten ikke påfører nota skader – dens oppgave er å observere og dokumentere tilstanden slik den faktisk er. Dermed får vi tilgang til realistiske forhold: varierende sikt, lys, begroing, bevegelse i nota og biologisk aktivitet.
Dette gir et mer krevende treningsgrunnlag – men også et langt mer relevant ett.
Kort oppsummert etablerer vi kontrollerte hull med jevne mellomrom for å skape et kjent fasitgrunnlag. Robot oppdager disse hullene i normal drift, og observasjonene brukes direkte i videre trening og forbedring av modellene.
Hvordan vi bruker AI til å finne hull
Kjernen i løsningen er visuell objektdeteksjon basert på maskinlæring. Modellen trenes til å gjenkjenne hull som egne visuelle objekter i bildet, og skille dem fra fisk, maneter, begroing og andre forstyrrelser.
Vi benytter:
- Supervised learning, der hull manuelt annoteres i treningsdata
- Transfer learning, slik at vi bygger videre på velprøvde modeller fremfor å starte fra bunnen
- YOLO-baserte deteksjonsmodeller, valgt for høy presisjon og lav latenstid
Dette gjør det mulig å analysere store mengder video effektivt. Bildet under viser et utdrag fra Watbots ONE som har identifisert to hull.
Hvorfor Watbots er særlig godt egnet for hulldeteksjon
Hulldeteksjon med AI handler ikke bare om algoritmer. Minst like viktig er hvordan bildene blir samlet inn. Her skiller Watbots seg tydelig fra mange alternative løsninger.
Watbots beveger seg rolig horisontalt langs nota og står stabilt festet på begge sider. Det gir et rolig, forutsigbart kamerabilde med konstant avstand, vinkel og bevegelsesmønster. For visuell analyse er dette avgjørende.
I praksis betyr det:
- Stabile bilder uten rykk, rotasjon eller varierende avstand til nota
- Konstant perspektiv, som gjør at små endringer i notstrukturen faktisk blir synlige
- Repeterbar inspeksjon, der samme område inspiseres på tilnærmet lik måte fra gang til gang
- Mindre bildestøy, som gir bedre grunnlag for både trening og drift av AI-modeller
All bildebehandling og AI-analyse lokalt på roboten kjøres ved hjelp av NVIDIA Jetson-plattform. Det gjør at vi kan utføre krevende visuelle analyser tett på datakilden, med lav forsinkelse og uten avhengighet av kontinuerlig kommunikasjon.
Mange inspeksjonsløsninger er avhengige av friflytende ROV-er eller systemer som opererer i varierende hastighet og vinkel. Det gir store variasjoner i bildekvalitet, noe som gjør både deteksjon og sammenligning over tid mer krevende.
Watbots’ måte å bevege seg på er derfor ikke bare en fordel for selve notvasken, men også et viktig fundament for pålitelig visuell inspeksjon over tid.
Kameraoppsett og prosessering tett på nota
For å utnytte denne stabiliteten fullt ut er Watbots utstyrt med seks kameraer: to på den utvendige delen av roboten, to på den innvendige, samt to kameraer plassert under roboten som skanner nota i området mellom de to robotdelene. Kameraene er orientert slik at vi ser både forover og bakover, i tillegg til selve kontaktsonen mellom robotene.
Dette gir flere fordeler i praksis:
- Samme område kan observeres fra flere vinkler under én og samme passering
- Eventuelle skygger, begroing eller partikler som skjuler detaljer i ett bilde, kan kompenseres i et annet
- Hull og svekkelser fanges opp både på vei inn og ut av et område, noe som øker påliteligheten
- Kamera under roboten kan brukes til å detektere helt ned til trådtykkelse for å vurdere slitasje
Kombinasjonen av stabil bevegelse, gjennomtenkt kameraplassering og lokal prosessering gir et konsistent og høyverdig datagrunnlag – som er en forutsetning for robust hulldeteksjon over tid.
Lokalisering uten unødig kompleksitet
Vi deler vi nota inn i logiske sektorer basert på notfelt og dybdeintervaller. Hvert stavtau fungerer som en naturlig referanse og definerer en sektor i nota. Når roboten beveger seg langs nota, vet vi derfor kontinuerlig hvilken seksjon den befinner seg i, samt aktuell dybde og cm fra siste stavtau. På den måten har vi eksakt posisjon.
Når et hull detekteres, knyttes funnet til en sektor og dybde. Det gir:
- God nok lokalisering for praktisk oppfølging
- Redusert risiko for feilplassering
- En struktur som egner seg for historikk og trendanalyse
Flere observasjoner av samme hull slås sammen for å unngå dobbeltelling.
Mennesker først, teknologi som verktøy
AI er ikke et mål i seg selv. For oss er det et verktøy for å gjøre hverdagen enklere og tryggere for folk på ringen.
Derfor utvikler vi hulldeteksjon stegvis, tett på drift og med kontinuerlig testing i reelle omgivelser. Vi deler ikke løfter om «full autonomi» før løsningen faktisk leverer stabil verdi i praksis.
Veien videre
I 2026 går Watbots inn i kommersiell drift med autonom notvask kombinert med visuell inspeksjon. Samtidig etablerer vi operativ drift i produksjonsområde PO4, med vask og mål om å bidra til å forhindre rømt oppdrettslaks gjennom tidligere og mer presis deteksjon av hull i nota. AI-basert hulldeteksjon videreutvikles parallelt, med fokus på datakvalitet, robusthet og dokumentert nytte.
Målet er enkelt: bedre nothelse, bedre oversikt og færre rømmingshendelser i drift.
Ta gjerne kontakt med salgsansvarlig Kim Eide for mer informasjon.