Aquakultur-Fütterungsoptimierung mit Unterwasserkamera und ML

Das echte Ausmaß des Problems

Aquakultur ist agrarindustriell gesehen der futterkostenintensivste Produktionszweig überhaupt. Laut Bayerischer Landesanstalt für Landwirtschaft (LfL) macht Futter bei der Speiseforellenproduktion mehr als 50 Prozent der gesamten variablen Kosten aus — ein Kilogramm Fischzuwachs kostet typischerweise 1,20 bis 1,60 Euro allein an Futtermittelkosten (LfL Bayern, Merkblatt Forellenfütterung). Weltweit liegt der Anteil noch höher: Studien quantifizieren ihn auf 40 bis 60 Prozent der gesamten Betriebsausgaben (ScienceDirect, 2024).

Die Folge: Wer die Fütterung schlecht dosiert, zerstört direkt die Marge.

Das Ausmaß des Problems in Deutschland ist überschaubar, aber präzise erfassbar. Das Statistische Bundesamt zählte 2024 genau 1.978 Aquakulturbetriebe mit einer Gesamtproduktion von 16.700 Tonnen — ein Rückgang von 40 Prozent gegenüber 2015 (Destatis, Mai 2025). Mit durchschnittlich acht bis zehn Tonnen Jahresproduktion pro Betrieb sind die meisten Einheiten klein. Die Forellen dominieren mit 9.800 Tonnen (58,3 Prozent) klar — Regenbogenforelle, Lachsforelle, Saibling. Karpfen folgen mit 4.800 Tonnen.

Was in dieser Durchschnittszahl untergeht: Die Betriebe mit 50 bis 500 Tonnen Jahresproduktion — Kreislaufanlagen (RAS), große Netzgehege für Stör und Forelle, spezialisierte Kaviar-Produzenten — stehen vor einer anderen Rechnung. Bei einem Futterbudget von 200.000 Euro jährlich und einer realistischen Überfütterungsrate von 15 Prozent verschwinden 30.000 Euro pro Jahr. Kein manuelles Beobachtungssystem löst das strukturell.

Die Kernschwäche der manuellen Fütterung:

• Sicht auf die Oberfläche, nicht in die Tiefe. Sinkende Pellets sind vom Beckenrand oder vom Boot aus unsichtbar. Das erste sichtbare Signal — Fische hören auf, zur Oberfläche zu kommen — kommt zu spät: In der Zwischenzeit sinkt bereits Futter.
• Kein konsistentes Protokoll. Drei Fischmeister schätzen den Sättigungspunkt drei Mal anders ein. Das erzeugt schwer behebbare systematische Über- oder Unterversorgung.
• Gesundheitssignale gehen unter. Reduzierter Appetit ist eines der frühesten Zeichen einer aufkommenden Krankheit — in der manuellen Beobachtung ist er von normaler Sättigung kaum zu unterscheiden.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die FCR-Verbesserung klingt technisch — bedeutet aber Folgendes: Bei einer Anlage mit 50 Tonnen Jahresproduktion und einem Futterquotienten von 1,5 (1,5 kg Futter pro 1 kg Fisch) werden 75 Tonnen Futter verbraucht. Senkt das System den FCR auf 1,3, sinkt der Verbrauch auf 65 Tonnen — 10 Tonnen weniger Futter. Bei 1,20 Euro pro kg Futterkosten sind das 12.000 Euro Einsparung pro Jahr.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Die automatische Fütterungssteuerung ersetzt manuelle Beobachtungsschichten — das spart tatsächlich Zeit. Aber die Zeitersparnis ist nicht der primäre Wert dieses Systems: Fischmeister verbringen selten mehrere Stunden täglich allein mit Fütterungsbeobachtung. Der eigentliche Hebel liegt bei den Kosten, nicht bei der Personalstunde. Verglichen mit Anwendungsfällen wie Marktpreisanalyse oder Fördermittelanträgen, die Stunden an Büroarbeit ersetzen, ist die Zeitwirkung hier deutlich indirekter.

Kosteneinsparung — sehr hoch (5/5) Die stärkste Dimension. Futter ist der größte Einzelposten in der Aquakultur — kein anderer Anwendungsfall in dieser Kategorie trifft so direkt auf so große variable Kosten. Die Einsparung von 10–20 Prozent des Futterbudgets ist keine theoretische Schätzung: Sie folgt direkt aus dem physikalischen Prinzip (weniger Pellets im Wasser = weniger Pellets im Schlamm) und ist auf der Futterbuchhaltung präzise nachweisbar.

Schnelle Umsetzung — mittel (3/5) Eine Kamerainstallation dauert. Unterwassergehäuse, Kabelführung, Integration in die Fütterungsanlage, Algorithmus-Kalibrierung auf Fischart und Anlagengröße — das sind realistische zwei bis vier Monate bis zum Produktivbetrieb. Kein unüberwindliches Hindernis, aber auch kein SaaS-Tool, das man in einem Tag einrichtet. Im Branchenvergleich liegt das im Mittelfeld: Einfacher als Autonome Feldrobotik, schwieriger als Wetterrisikomanagement.

ROI-Sicherheit — hoch (4/5) Der Futterverbrauch ist buchhalterisch exakt erfassbar — vorher und nachher. Das macht diesen Anwendungsfall zu einem der messtechnisch stärksten im Agrarbereich: kein indirekter Nutzen, kein angenommener Verhaltenseffekt, sondern Tonnage mal Preis. Die verbleibende Unsicherheit: Biofouling, Kalibrierungsaufwand und saisonale Lichtverhältnisse können die Systemleistung begrenzen. Ein 4 statt 5 für den Ehrlichkeitspuffer.

Skalierbarkeit — hoch (4/5) Wer drei Käfige ausrüstet, kann weitere hinzufügen ohne proportional mehr Personal. Software-Lizenzen skalieren günstiger als Hardware — aber jede neue Kameraeinheit ist eine neue Investition. Das System wächst effizienter als eine manuelle Lösung, aber nicht mit null Grenzkosten.

Richtwerte — stark abhängig von Betriebsgröße, Fischart, Wasserverhältnissen und bestehender Infrastruktur.

Was das System konkret macht

Das technische Prinzip ist physikalisch intuitiv: Ein Fisch, der satt ist, verhält sich anders als ein hungriger. Er steigt weniger zur Oberfläche, hält sich tiefer auf, reagiert langsamer auf Pellets. Ein hungriger Fisch dagegen schwimmt aktiv in Richtung Futterquelle, schnappt nach Pellets, ist sichtbar agitiert.

Computer Vision und Machine Learning übersetzen diese verhaltensbiologischen Signale in Steuersignale:

Schritt 1: Videoaufnahme. Unterwasserkameras (typisch IP68-zertifiziert, Tiefenrating je nach System 20–100 m) nehmen kontinuierliches HD-Video auf. In trüben Gewässern oder bei geringer Lichttiefe werden IR-Illuminatoren eingesetzt.

Schritt 2: Bildanalyse in Echtzeit. Ein ML-Modell analysiert das Video auf mehrere Indikatoren gleichzeitig:

• Fressaktivitätsdichte: Wie viele Fische aktiv an der Oberfläche oder im oberen Wasserkörper?
• Vertikale Positionsverteilung: Sinken Fische nach unten (Sättigung) oder steigen sie auf (Hunger)?
• Pellet-Sinkdetektion: Werden einzelne Pellets sichtbar durch das Bild fallend erfasst (Sättigungssignal)?
• Schwimmbewegungsintensität: Hohe Aktivität = Hunger; träges Treiben = Sättigung

Schritt 3: Automatische Steuerung. Sobald das Modell einen Übergang von “aktiv fressend” zu “nachlassend” erkennt, sendet es ein Signal an die Fütterungsanlage. Die Futtermenge wird gedrosselt oder die Anlage gestoppt. Ohne menschliches Eingreifen.

Schritt 4: Logging und Auswertung. Jede Fütterung wird dokumentiert: wann gestartet, wann gedrosselt, wie viel Futter ausgebracht, welche Sensordaten (Wassertemperatur, Sauerstoffgehalt) zum Zeitpunkt vorlagen. Das ermöglicht langfristige FCR-Analyse und saisonale Optimierung.

In Kreislaufanlagen (RAS) ist die Integration einfacher als in Netzgehegen: kontrollierte Wasserverhältnisse, stabile Sicht, feste Kamerahalterungen. In Netzgehegen ist die Herausforderung größer — Strömung bewegt die Kamera, Wellengang erzeugt Lichtwechsel, und Biofouling auf der Linse ist ein ernstes Problem (dazu mehr im Abschnitt Einstiegsfehler).

Was ihr hardware-seitig braucht

Dies ist der Abschnitt, den viele Systembeschreibungen auslassen — und genau deshalb gehen Projekte schief.

Kameraauswahl Nicht jede Unterwasserkamera ist für die Fischerkennung geeignet. Entscheidend sind:

• IP68-Schutzklasse minimum; für Netzgehege mit Tiefenintegration mindestens IP69K
• Tiefenrating: Netzgehege bis 30 m → 50 m-Kamera als Reserve einplanen; tiefere Pens → Spezifikation prüfen
• Lichtsensitivität: In trübem Wasser oder bei geringer Lichteindringtiefe sind Low-Lux-Kameras (< 0,01 Lux) oder solche mit integriertem IR-Strahler erforderlich
• Antifouling-Mechanismus: Linsenreinigung ist das wichtigste Langzeitproblem (→ Einstiegsfehler). Systeme mit mechanischer Abstreiferbürste (AKVA SmartEye) oder UV-Antifouling-Linse (Innovasea aquaEyes) reduzieren Serviceintervalle erheblich

Edge Computing vs. Cloud Bildanalyse in Echtzeit erfordert Rechenleistung. Es gibt zwei Architekturen:

• Edge-First: Ein lokales Gerät (z.B. NVIDIA Jetson, industrieller Mini-PC) verarbeitet das Video vor Ort. Vorteil: keine Latenz, funktioniert ohne stabile Internetverbindung. Notwendig bei abgelegenen Anlagen oder schlechtem Mobilfunk.
• Cloud-First: Video wird an einen Cloud-Server gestreamt, dort analysiert, Steuersignal zurückgegeben. Vorteil: keine lokale Hardware; Nachteil: Latenzen von 1–5 Sekunden, Abhängigkeit von Konnektivität.

Für die meisten deutschen Fischzuchtbetriebe — oft in ländlichen Gebieten mit eingeschränktem Mobilfunk — ist Edge-First die zuverlässigere Wahl.

Integration in die Fütterungsanlage Das Kamerasystem muss mit der vorhandenen Fütterungsanlage kommunizieren. Gängige Schnittstellen:

• Direkte 4–20 mA Analogsteuerung (bei älteren Anlagen)
• Modbus TCP oder ähnliche Industrieprotokolle
• Proprietäre API-Integration (bei AKVA SmartEye + AKVA connect 4.0)

Wer eine ältere, nicht-digitale Fütterungsanlage betreibt, muss entweder die Anlage erneuern oder einen Steuerungsadapter zwischenschalten. Das kostet Zeit und Geld, wird aber im Erstgespräch häufig unterschätzt.

Fütterungsverhalten als Gesundheitssignal

Dieser Aspekt ist in der kommerziellen Kommunikation oft zweitrangig — verdient aber eigene Aufmerksamkeit.

Fische zeigen nachlassenden Appetit als eines der frühesten messbaren Symptome vieler Erkrankungen: Kiemenentzündungen, Virosen (z.B. IHN, VHS bei Forellen), Parasitenbefall, und Sauerstoffmangelphasen. Bei manueller Beobachtung dauert es oft zwei bis drei Tage, bis der Fischmeister einen deutlichen Rückgang bemerkt — Zeit, in der die Krankheit sich ausbreiten kann.

Ein kalibriertes Kamerasystem erkennt statistisch signifikante Abweichungen von der etablierten Fressaktivitätskurve in Echtzeit. Wenn ein Bestand, der normalerweise 20 Minuten aktiv frisst, nach 10 Minuten abbricht und das Modell keine Sättigung als Ursache identifiziert (weil die Sinkrate der Pellets niedrig ist), ist das ein Alert-Signal.

Praxishinweis zu §11 TierSchG: Wer Aquakulturanlagen mit mehr als bestimmten Mengen hält, unterliegt tierschutzrechtlichen Anforderungen nach §11 Tierschutzgesetz. Automatische Gesundheitsmonitoring-Systeme können hier als dokumentarische Unterstützung dienen, ersetzen aber nicht die Sorgfaltspflicht des verantwortlichen Fischzüchters oder Tierhüters — die täglich visuelle Inspektion bleibt gesetzliche Pflicht. Konsultiere für deinen konkreten Anlagentyp die zuständige Veterinärbehörde.

Was das System liefert: Eine täglich ausgewertete Aktivitätskurve pro Pen oder Teich. Alarmschwelle definierbar: z.B. “wenn die Fressaktivität im Vergleich zum 7-Tages-Median um mehr als 30 Prozent abfällt, Alarm ausgeben.” Das ist keine Diagnose — das ist ein Frühwarnsignal, das zu einer rechtzeitigen tierärztlichen Inspektion führen sollte.

Konkrete Werkzeuge — was wann passt

MonitorFish — für RAS-Anlagen und große deutsche Fischzuchtbetriebe Fraunhofer-IGD-Ausgründung aus Rostock, seit 2019 aktiv. Kombiniert Unterwasserkameras mit Wasserqualitätssensoren. Deutschsprachiger Support, DSGVO-konforme Datenhaltung in Deutschland. Zielt auf 10–20 Prozent Futterersparnis; Vollautomatisierung der Fütterung wird als Ziel benannt. Sinnvoll für Kreislaufanlagen mit kontrollierten Wasserverhältnissen und für Betriebe, die Wert auf deutschen Support und Datenhoheit legen. Preise auf Anfrage; Projektbasis.

AKVA SmartEye — für Netzgehege und AKVA-Fütterungsanlagen Marktführer in Norwegen und Schottland für Lachsfarmen. Modulares System mit integrierten Sensoren (Tiefe, Temperatur, O2, Salinität). Pan/Tilt-Steuerung für 360°-Abdeckung. Kompatibel mit AKVA connect 4.0 — sinnvoll, wenn du bereits AKVA-Fütterungsanlagen betreibst. EU-Datenhaltung (Norwegen). Kein deutschsprachiger Support.

Innovasea aquaEyes — für Netzgehege mit Antifouling-Priorität Kanadischer Anbieter mit patentierter UV-Antifouling-Linse — relevant für Anlagen mit starkem Algenwachstum. Gute Dokumentation zu Biomasseabschätzung als Zusatzfunktion. Daten werden in nordamerikanischen Rechenzentren verarbeitet — für DSGVO-sensible Betriebe klären.

Wann welcher Ansatz

• Kreislaufanlage in Deutschland, max. Datenhoheit → MonitorFish
• Netzgehege, bereits AKVA-Infrastruktur → AKVA SmartEye
• Netzgehege, Antifouling-Problem dominant → Innovasea aquaEyes
• Betrieb < 20 Tonnen, knappes Budget → noch keine der obigen Lösungen (→ Ausschlusskriterien)

Datenschutz und Datenhaltung

Aquakultur ist ein weniger DSGVO-intensives Feld als etwa Personalmanagement oder Medizin — aber einige Punkte verdienen Aufmerksamkeit.

Betriebsdaten als Geschäftsgeheimnisse. Die Fütterungsdaten einer Fischzuchtanlage sind wirtschaftlich sensibel: FCR-Werte, Futtermengen, Produktionskurven und Gesundheitsalerts geben Rückschlüsse auf Produktionseffizienz und Gewinne. Diese Daten sollten nicht ohne klare Vereinbarung bei Cloud-Anbietern in Drittstaaten liegen.

Datenhaltung nach Anbieter:

• MonitorFish: Deutschland — DSGVO-konform ohne Einschränkung
• AKVA SmartEye (via AKVA connect): Norwegen ist EWR-Mitglied und DSGVO-äquivalent
• Innovasea aquaEyes: Verarbeitung in Nordamerika — DSGVO Standardvertragsklauseln (SCC) notwendig; klären, ob Daten rein lokal verarbeitbar sind

Auftragsverarbeitungsvertrag (AVV): Wenn das System Videodaten aus dem Betrieb an einen Cloud-Anbieter sendet, gilt Art. 28 DSGVO. Den AVV aktiv anfordern und unterzeichnen — das gilt auch für Aquakulturanbieter.

Edge-First als Datenschutz-Lösung: Wer Bedenken wegen externer Datenweitergabe hat, wählt eine Edge-Architektur: Video wird lokal verarbeitet, nur Steuersignale und aggregierte Kennzahlen (keine Rohbilder) gehen ins Netz. Das eliminiert DSGVO-Risiken durch Videospeicherung bei Drittanbietern.

Was es kostet — realistisch gerechnet

Typische Systemkosten

• Kamera + Winch + Montage pro Teich/Pen: 3.000–8.000 € (Einstiegsgeräte bis Premiumsysteme)
• Software-Lizenz und ML-Modell: 2.000–6.000 € Einrichtung + 100–400 €/Monat laufend je nach Anbieter und Anlagengröße
• Fütterungsanlagen-Integration (sofern Schnittstelle vorhanden): 500–2.000 €; bei Analog-Anlage ohne digitale Steuerung: bis 5.000 € Zusatzinvestition
• Gesamt Pilotanlage (ein Teich/Pen): realistisch 6.000–15.000 € Einmalinvestition

Diese Zahlen basieren auf Anbieterkommunikation und Marktübersicht; keine Einzelanfrage konnte Listenpreise bestätigen. Kontaktiere Anbieter für verbindliche Angebote.

ROI-Rechnung (konservatives Szenario)

Annahmen: 50 Tonnen Jahresproduktion, FCR 1,5, Futterpreis 1,40 €/kg, Überfütterungsrate 15%.

Im optimistischeren Szenario (20 % weniger Futterverlust statt 60 % Reduktion) liegt die Amortisation bei unter zwei Jahren. In Großanlagen (ab 200 Tonnen) verkürzt sich die Amortisationszeit deutlich, weil die Systemkosten nahezu konstant bleiben, die Einsparung aber proportional mit der Produktionsmenge wächst.

Wie du den ROI tatsächlich misst: Vor der Installation drei Monate lang wöchentlichen Futterverbrauch und Lebendgewichtszuwachs dokumentieren — das ist deine Baseline-FCR. Nach der Installation gleiches Tracking. Der Unterschied ist dein Nutzen.

Drei typische Einstiegsfehler

1. Kamera installiert, Biofouling ignoriert. Das häufigste und teuerste Problem in der Praxis. Algen, Biofilm und Muschellarven setzen sich auf der Kameralinse ab und degradieren die Bildqualität innerhalb von Wochen. Das ML-Modell bekommt zunehmend verschlechterte Bilder und trifft zunehmend schlechtere Entscheidungen — oft ohne sichtbaren Alert. Das System läuft weiter, liefert aber keine validen Steuersignale mehr.

Lösung: Kamerasystem mit Antifouling-Mechanismus wählen (UV-Beschichtung oder mechanische Reinigung) und einen festen Wartungsplan definieren: manuelle Linsenreinigung alle zwei bis vier Wochen, je nach Gewässer. Das muss im Betriebsplan stehen, nicht nur im Handbuch.

2. Algorithmus nicht auf Fischart und Jahreszeiteneffekte kalibriert. Ein Forellen-Modell, das für 10°C Wassertemperatur kalibriert wurde, liefert schlechte Ergebnisse bei 18°C Sommerwasser — weil Fische bei Wärme generell träger sind und das System Sättigung signalisiert, obwohl die Tiere schlicht temperaturbedingt weniger aktiv sind. Die saisonale Rekalibrierung ist keine optionale Feinheit, sondern Voraussetzung für valide Jahresergebnisse.

Fachlich sorgfältige Anbieter bauen Wassertemperatur- und Sauerstoffsensordaten in das Modell ein, um diesen Effekt zu kompensieren. Prüfe im Auswahlgespräch explizit: Wie geht das Modell mit saisonalen Verhaltensveränderungen um?

3. Fütterungsanlage nicht kompatibel und Integrationsproblem unterschätzt. Viele Betriebe haben Fütterungsanlagen, die vor der Ära digitaler Steuerung installiert wurden. Diese haben keine Schnittstelle für externe Steuersignale. Das Kamerasystem analysiert korrekt — kann aber den Feeder nicht ansteuern. Das Ergebnis: Man hat eine teure Beobachtungsstation, aber keine Automatisierung.

Lösung: Vor dem Kauf klären, welche Steuerschnittstelle die Fütterungsanlage hat. Falls keine vorhanden ist: Die Anbieter bieten meist Adapter oder Steuerboxen an — aber das kostet Zeit und Geld, das im Erstbudget fehlt.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist handhabbar. Das Unterschätzte ist die betriebliche Veränderung.

Der Fischmeister als Bremse. Fischmeister sind erfahrene Fachleute, deren berufliches Selbstbild auf sensorischer Kompetenz basiert — sie können Fische beurteilen. Ein System, das automatisch eingreift und ihre Entscheidungen ersetzt, kann sich als Angriff auf ihre Fachkompetenz anfühlen. Das ist keine irrationale Reaktion, sondern eine professionell begründete Skepsis.

Was hilft: Das System als Entscheidungsunterstützung einführen, nicht als Entscheidungsersatz. Zunächst nur mit Alert-Modus starten: Das System gibt eine Empfehlung, der Fischmeister entscheidet. Erst nach vier bis sechs Wochen gemeinsamer Kalibrierung — wenn der Fischmeister das System “kennt” und seine Grenzen einschätzen kann — auf automatische Steuerung umschalten. Wer das überspringt, hat in sechs Monaten ein System, das formal läuft, aber vom Fischmeister routinemäßig übersteuert wird.

Das Modell kennt deine Fische nicht. Modelle sind auf großen Datensätzen trainiert — aber dein Bestand hat eine spezifische Fressroutine, die von Training, Fischgröße, Wasserchemie und Jahreszeit abhängt. Die ersten drei bis sechs Wochen sind immer eine Anpassungsphase: Das System lernt deine Anlage. In dieser Phase darf es keine Vollautomatisierung geben — beobachten, vergleichen, korrigieren.

Was kurzfristig nicht passiert: Über Nacht 20 Prozent Futterersparnis. Der erste Monat zeigt typischerweise keine messbaren Einsparungen, weil das System noch kalibriert wird und der Betrieb noch parallel manuell überwacht. Die Einsparung baut sich über drei bis sechs Monate auf.

Realistischer Zeitplan mit Risikohinweisen

Realistischer Zeithorizont bis zu ersten messbaren Einsparungen: fünf bis acht Monate nach Projektstart. Wer nach drei Monaten schon eine Vollkostenrechnung erwartet, wird enttäuscht sein — nicht weil das System nicht funktioniert, sondern weil es noch lernt.

Häufige Einwände — und was dahintersteckt

„Wir haben das immer von Hand gemacht — der Fischmeister weiß, wann die Fische satt sind.” Stimmt — und der Fischmeister ist auch gut. Aber er schaut an die Wasseroberfläche, nicht in zwei Meter Tiefe. Die Pellets, die gar nicht mehr angenommen werden, sinken lautlos. Das ist kein Kompetenzproblem, sondern ein Wahrnehmungsproblem. Das System sieht, was kein Mensch sehen kann — und das ist der einzige Wert, den es bietet.

„Zu teuer für uns.” Das kommt auf die Betriebsgröße an. Für einen Betrieb mit 8 Tonnen Jahresproduktion und 8.000 € Futterbudget amortisiert sich ein 15.000 €-System tatsächlich nicht in akzeptabler Zeit — das ist ein legitimes Ausschlusskriterium. Für einen Betrieb mit 100 Tonnen und 200.000 € Futterbudget schon nach zwei bis drei Jahren. Die Frage ist nicht “teuer oder billig”, sondern: Wie groß ist das Futterbudget, auf das 10–20 Prozent angewendet werden?

„Das Wasser ist bei uns zu trüb für Kameras.” Trübes Wasser ist eine reale Einschränkung — aber kein absolutes Ausschlusskriterium. Erstens gibt es Niedriglicht-Kameras mit IR-Illumination, die in trübem Wasser einige Meter Sicht bieten. Zweitens ist Pellet-Sinkdetektion (ein Pellet sinkt durch das Bild) auch bei geringer Sicht möglich, weil der Kontrast Pellet-gegen-Wasser ausreicht. Drittens: In Kreislaufanlagen (RAS) ist Trübung beherrschbar. Die Frage ist, ob das für deine Anlage ausreicht — ein Pilotversuch mit einer Testkamera ist billiger als ein blinder Systemkauf.

Woran du merkst, dass das zu dir passt

• Dein Futterbudget liegt über 30.000 Euro jährlich — erst ab dieser Größenordnung amortisiert sich die Kameratechnik in realistischer Zeit
• Du betreibst eine Kreislaufanlage oder große Netzgehege mit klaren, stabilen Wasserverhältnissen (hohe Sichtweitenzuverlässigkeit)
• Du dokumentierst deinen FCR bereits — oder bist bereit, eine Baseline über drei Monate vor der Installation aufzubauen
• Du hast eine digitale oder digital-nachrüstbare Fütterungsanlage — oder bist bereit, parallel zu investieren
• Dein Fischmeister ist offen für datenbasierte Werkzeuge — oder du kannst ihm das System im Begleitbetrieb zeigen, bevor es autonom steuert
• Du produzierst eine Fischart, für die die Anbieter Referenzmodelle haben (Regenbogenforelle, Lachs, Stör, Tilapia — je nach Anbieter)

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 20 Tonnen Jahresproduktion (oder Futterbudget unter ca. 25.000 €). Die Systemkosten stehen in keinem vertretbaren Verhältnis zur möglichen Einsparung. Ein Betrieb mit 8 Tonnen, 8.000 € Futterbudget und 15 % Überfütterung spart 1.200 €/Jahr — ein 12.000 €-System amortisiert sich in zehn Jahren. Das ist keine Investition, das ist ein Verlust.

2. Offene Teichhaltung mit stark wechselnder Sichtweite (< 1 Meter Sichttiefe im Sommer, starker Algenbewuchs, trübe Erdteiche). In diesen Bedingungen liefern Kameras keine stabilen Bilder für zuverlässige ML-Analyse. Auch IR-Kameras haben Grenzen. Wer dauerhaft mit weniger als einem Meter Sichtweite arbeitet, sollte Fütterungssensorik auf Sinkdetektoren oder akustische Systeme ausweichen — nicht auf Kamerabilder.

3. Keine stabile Stromversorgung und keine belastbare Datenanbindung an der Anlage. Edge-Computing braucht Strom (typisch 80–200 W für das gesamte Setup) und zumindest periodische Konnektivität für Wartung und Updates. Betriebe mit instabiler Infrastruktur müssen zuerst die Basisinfrastruktur nachrüsten — das kameraseitige Investment kommt danach.

Das kannst du heute noch tun

Bevor du ein Angebot einholst: Rechne deinen eigenen Business Case. Dafür brauchst du drei Zahlen, die du kennen solltest:

1. Dein jährlicher Futterverbrauch in kg oder Tonnen
2. Dein Futterpreis pro kg (oder pro Tonne)
3. Deine geschätzte Überfütterungsrate (wenn unbekannt: 10–15 % als Startwert)

Nutze diese drei Zahlen, um den maximal erreichbaren Nutzen zu berechnen — und prüfe, ob die Systemkosten in akzeptabler Zeit amortisierbar sind. Erst wenn das ja ergibt, lohnt ein Erstgespräch mit den Anbietern.

Quellen & Methodik

• Futterkosten > 50 % der variablen Kosten, 1,20–1,60 €/kg Fischzuwachs: Bayerische Landesanstalt für Landwirtschaft (LfL), Merkblatt „Forellenfütterung — bedarfsgerecht und gewässerschonend”, lfl.bayern.de (Stand 2024). Primärquelle für deutsche Forellenbetriebe.
• 16.700 Tonnen Aquakulturproduktion Deutschland 2024, 1.978 Betriebe: Statistisches Bundesamt (Destatis), Pressemitteilung „16 700 Tonnen Fisch aus Aquakulturen im Jahr 2024”, Mai 2025. URL: destatis.de/DE/Presse/Pressemitteilungen/2025/05/PD25_187_41362.html
• Feed > 60 % of total expenses; FCR-Verbesserung 23 %, Futterverschwendung −17 %: ScienceDirect, „Optimizing Feeding Strategies in Aquaculture Using Machine Learning”, 2024. URL: sciencedirect.com/science/article/pii/S1877050924023615
• MonitorFish GmbH (Fraunhofer IGD Rostock Ausgründung, 2019, Zieleinsparung 10–20 %): Bioökonomie.de, Interview „Fischzucht mit KI überwachen”, biooekonomie.de/akteure/interviews/fischzucht-mit-ki-ueberwachen; sowie HTW Berlin Entrepreneurship (entrepreneurship.htw-berlin.de/unsere-startups/stipendiat-innen/monitorfish/).
• Biofouling als Einschränkung optischer Sensoren: Wiley Online Library, „Machine Vision Applications for Welfare Monitoring in Aquaculture: Challenges and Opportunities”, Fitzgerald et al., 2025. URL: onlinelibrary.wiley.com/doi/full/10.1002/aff2.70036
• Turbid water challenge für CV in Aquakultur: Nature Scientific Reports, „A highly sensitive underwater video system for use in turbid aquaculture ponds”, 2016. URL: nature.com/articles/srep31810
• Systemkosten und Amortisationsdauer: Erfahrungswerte aus Anbieterkommunikation (Innovasea, AKVA group) und Marktübersicht Präzisionsaquakultur (Stand Mai 2026); Listenpreise nicht öffentlich, Spannbreiten schätzungsbasiert.
• §11 TierSchG Aquakultur: Tierschutzgesetz in der gültigen Fassung; Anwendungsbereich Aquakultur: Konsultation zuständiger Veterinärbehörde empfohlen.

Du willst wissen, ob deine Anlage die Voraussetzungen für eine Kameralösung erfüllt — und welche Anbieter für deinen Betrieb konkret in Frage kommen? Meld dich für ein kurzes Gespräch.