Prosjektnummer
901412
Strategi Lakselus 2017: Automatisert telling av lakselus (AutoLus)
Kunnskap om utvikling av automatisert telling av lus, som vil bedre fiskevelferd og redusere kostnader
• Særdeles store krav til kameraet dersom bildene skal bli gode nok til å kunne telle fastsittende lus. Utfordrende lysforhold og uskarphet pga. bevegelse gjør at det må benyttes kort lukkertid, men lav lukkertid betyr også mindre lys. Kravet til kamerasensorens lysfølsomhet blir derfor eksepsjonelt høy.
• Tapsløs bildekomprimering en nødvendighet for å beholde de små detaljene, noe som gjorde det vanskelig å få håndterbare datamengder. Luseteller befinner seg ikke hos oppdretter, og bildene som tas hos oppdretter må sendes over nettet. Bare fra en enkelt merd kan det produseres flere hundre gigabyte med bilder i løpet av en dag. Det var nødvendig å bruke ukonvensjonelle metoder for å komprimere disse dataene.
• Store variasjoner i partikkelnivåer i merden fra en dag til en annen forstyrrer algoritmene for bildeutvalg, og kan gi falske positiver i lusetelling. Bør kombineres med maskinlæringsmodellen slik at skarphet måles på utvalgte deler av bildet, der det faktisk betyr noe at bilder er i fokus (ikke på bildet som helhet).
Sammendrag av resultater fra prosjektets faglige sluttrapport
Prosjektet involverte flere runder filming i merder for å bygge opp et datasett med egnede bilder. I denne prosessen ble det benyttet flere typer kameraer. I parallell med filming ble det også utviklet programvare for bildeanalyse, både automatisert bildeanalyse basert på tradisjonelle algoritmer og moderne maskinlæringsmetoder, samt programvare for manuell analyse utført av lusespesialister.
Ved avslutningen av prosjektet var det oppnådd en bildekvalitet som lusespesialistene mente var god nok til å erstatte fysisk telling av lus på merdkanten. Selv fastsittende lus kunne identifiseres på disse bildene. Det vil derfor arbeides videre med å videreutvikle kamerariggen som ble benyttet i prosjektet, spesielt med tanke på fjernstyring og mulighet for kontinuerlig operasjon i sjøen, slik at den blir mer praktisk å operere for oppdretter.
Prosjektet har synliggjort at det er mulig å detektere selv fastsittende, små lus på levende laks som svømmer i merd, men at det er store utfordringer med å kunne utføre dette som en kontinuerlig overvåking. Likevel viser resultatene at det synes å være mulig å utvikle slik teknologi, noe også resultater fra andre aktører som jobber med disse problemstillingene viser. En eller flere aktører, alene eller i samarbeid, vil med rimelig stor sannsynlighet klare å utvikle slikt verktøy relativt raskt. Dette vil spare næringen for mye arbeid, vil ha betydning for fiskevelferd siden fisk ikke trenger håndteres for lusetelling annet enn for “kalibrering” av automatisk overvåking, og løpende overvåking vil muliggjøre en mer proaktiv strategi for kontroll med lakselus og kanskje skottelus.
-
Sluttrapport: Sluttrapport for AutoLus-prosjektet
Auxios AS. Rapport. September 2019. Av Haakon Riiser.
I dag telles lus manuelt. Dette gir svært høy nøyaktighet i lusetallet på de utvalgte fiskene. Gjerde et. al. (2016) sammenlignet telling ved merdkanten med telling under lupelampe og i lyskasse, og fant ingen systematiske forskjeller. Likevel er det mange ulemper ved manuell telling. Det er tidkrevende, i tillegg til at det stresser og kan skade fisken. Utvalget som telles er lite, 10 til 20 fisk per merd, og utvalget er ikke nødvendigvis representativt. Automatisering har potensiale til å løse disse problemene, men flere eksisterende løsninger har klare svakheter.
Det finnes en rekke forsøk på å lage sensorer for å sette i merd til å telle laks. Det som er fellesnevner for disse er at ingen har nådd en god nok nøyaktighet i operativ bruk utenfor kontrollerte forhold. Derfor har disse sensorene ikke blitt tatt i bruk av oppdretterne. Utfordringen er ikke umulig, og med god lyssetting og kamera skal det være mulig å få tilstrekkelig gode bilder under vann til å benytte automatiserte bildeklassifiseringssystemer. Det er flere publikasjoner som gir eksempler på dette.
Det som er felles for alle de automatiserte metodene, er at det ikke vil være mulig å se 100 % av lusene på 100 % av fisken. Det telles et utvalg av fisk, og lusen kan sitte under skjell og finner, noe som kun vil være synlig ved manuell telling. Det er derfor nødvendig å kombinere automatisk telling av lus med statistiske metoder. Flere aktører arbeider derfor med å se på funn fra individuelle sensorer i sammenheng med en videre forståelse av hva som skjer både i og utenfor merden. De forsøker å hente inn mest mulig data, både i merd gjennom ulike typer sensorer som kan være ekkolodd, video, temperatur, oksygennivå, strøm, i tillegg til andre logger en har som kan være manuelle lusetellinger. Dette er lusetellinger en får fra andre merder. Denne fremgangsmåten er samtidig særlig egnet til maskinlæringsmodeller, og har også en klar funksjon i planlegging av drift og regulering av oppdrett på et større nivå.
Å automatisere telling av lus ved bruk av videosensor.
Delmål
1. Å utvikle videobasert sensor med filtrering for telling av lus.
2. Å kombinere metoder for mønstergjenkjenning, bildebehandling og maskinlæring for helautomatisert gjenkjenning av lus.
Systemet kan bidra til at en slipper å telle lus manuelt. Dette kan ha nytteverdi for:
• fisken: Den slipper å telles.
• myndigheter: Dette kan bidra til bedre tallmateriale, blant annet fordi det kan telles flere fisk.
• oppdretter: Oppdretter kan slippe å telle fisk og samtidig få bedre tallmateriale.
I tillegg til reduserte kostnader som følge av spart tid til telling, kan bedre data på lusesituasjonen gjøre at en reduserer lusespredning og få bedre sykdomskontroll. Dette kan også bidra til økt produksjon.
Arbeidspakke 1: Høyoppløselig kamera med filtrering
Grunnlaget for at både mennesker og maskiner skal kunne registrere lus i ulike stadier er gode bilder, som er målet for denne arbeidspakken. Å få gode bilder har to komponenter. For det første må det originale bildematerialet være så godt som mulig, som både inkluderer både kamera- og lysteknologi. For det andre er det nødvendig å velge ut de beste bildene, og å isolere enkeltfisk i disse bildene. Disse to utfordringene er i denne arbeidspakken organisert i hver sin oppgave.
Hver av disse oppgavene har tre problemstillinger:
Grunnlaget for at både mennesker og maskiner skal kunne registrere lus i ulike stadier er gode bilder, som er målet for denne arbeidspakken. Å få gode bilder har to komponenter. For det første må det originale bildematerialet være så godt som mulig, som både inkluderer både kamera- og lysteknologi. For det andre er det nødvendig å velge ut de beste bildene, og å isolere enkeltfisk i disse bildene. Disse to utfordringene er i denne arbeidspakken organisert i hver sin oppgave.
Hver av disse oppgavene har tre problemstillinger:
Oppgave 1.1: Kamera og lysoppsett
i) Finne optimalt kameraoppsett for telling av lus.
ii) Finne optimalt lysoppsett for telling av lus.
iii) Finne oppsett av kamera og kunstig lys med lite naturlig lys.
Oppgave 1.2: Filtreringsalgoritmer for video
i) Automatisk filtrering for å sikre skarpe bilder.
ii) Automatisk filtrering for å sikre en fisk i fokus per bilde.
iii) Beregning av representativitet av bilde av enkeltfisk.
Arbeidspakke 2: Modeller basert på mønstergjenkjenning, maskinlæring og bildebehandling
I denne arbeidspakken ønsker en å utvikle en fullstendig deteksjon av lakselus i tre faser. Man gjenbruker kategoriene fra “Forskrift om bekjempelse av lakselus i akvakulturanlegg (Nærings- og fiskeridepartementet, 2012): Voksen hunnlus, bevegelige stadier og fastsittende stadier”.
Arbeidspakke 2: Modeller basert på mønstergjenkjenning, maskinlæring og bildebehandling
I denne arbeidspakken ønsker en å utvikle en fullstendig deteksjon av lakselus i tre faser. Man gjenbruker kategoriene fra “Forskrift om bekjempelse av lakselus i akvakulturanlegg (Nærings- og fiskeridepartementet, 2012): Voksen hunnlus, bevegelige stadier og fastsittende stadier”.
For å kunne oppnå dette vil det kombineres tre fremgangsmåter som hver har fått sin separate oppgavebeskrivelse under:
1. manuell tagging av lus
2. anvendelse av algoritmer for mønstergjenkjennelse
3. bruk av systemer for maskinlæring
Forsøket er å trene maskinen slik at den kan få samme nøyaktighet som et menneske. Til å begynne med er dette målet, selv om det er teoretisk mulig at maskinen blir mer nøyaktig enn et menneske som tagger, først og fremst fordi den har kapasitet til å se på langt mer data i et gitt tidsrom. Ved å telle langt flere fisk enn det som gjøres manuelt, kan det oppnås et mer nøyaktig mål.
Oppgave 2.1: Manuell beregning av lus på laks
Manuell annotering av lus på laks.
Oppgave 2.2: Bruk av maskinlæringsmetoder
Lokalisering og telling av lus.
Oppgave 2.3: Anvendelse av algoritmer for mønstergjenkjennelse
Telling av lus som sitter i klunger.
Oppgave 2.4: Finne nøyaktigheten av nye metoder for å telle lus
i) Hvor presist vil manuell og automatisk tagging være?
ii) Er lus jevnt fordelt alle steder i merden?
Prosjektorganisering
Auxios – har ledende kompetanse på video, og er ansvarlig for de IT-relaterte delene av prosjektet.
Oppdrettere – Bremnes Seashore AS, Troland Laksoppdrett AS, Langøylaks AS og Austevoll Melaks AS. De siste tre er med i prosjektet gjennom sitt joint venture (eid 1/3 av de tre) Havkar AS.
Blue Planet AS – konsulentselskap med lang erfaring innen fiskeoppdrett. Administrerer et lusetellingsteam i Rogaland, som er med på å telle lus manuelt for å bygge den automatiserte sensoren.
Om det oppnås gode resultater, kan prosjektet har potensiale til å starte uttesting av en ny metode for å telle lus. Oppdretterne må følge forskriften, som i dag betyr manuell telling av laks. Hovedstrategien for å formidle resultatene er, gitt gode resultater, å starte en dialog om hvordan en kan gå frem for å kvalitetssikre en ny lusetellingsmetode. Det er flere andre initiativ på dette området som det er ønsker om å koordinere denne aktiviteten med.
I tillegg vil det leveres sluttrapport, delrapport og faktaark. Det vil også vurderes å trekke frem noen funn for vitenskapelig publisering.
Ved vellykket prosjekt kan det være aktuelt å patentere, noe som også blir en slags formidling av kunnskap.
-
Sluttrapport: Sluttrapport for AutoLus-prosjektet
Auxios AS. Rapport. September 2019. Av Haakon Riiser.