Prosjektnummer
910275
Utvikling av effektive seleksjonssystemer for pelagisk trål
Selektive fangstmetoder som sikrer at rett art, størrelse og mengde blir fanget er en forutsetning for bærekraftig forvaltning og høsting av marine ressurser. I trålfiske brukes det blant annet tekniske reguleringer på maskevidde og sorteringsrister for å unngå bifangst og undermålsfisk. Trålsensorer gir informasjon om fangstmengde, men det er usikkerhet knyttet til arts- og lengdefordeling i fangsten. Nå åpner ny teknologi nye muligheter. Trålkamerasystemer kombinert med maskinlæring for bildeanalyse, prosessering i sanntid i enheten og trådløs undervannskommunikasjon vil kunne gi skipperen kontinuerlig informasjon om arts- og størrelsessammensetningen i fangsten, inkludert bifangstarter. Sanntidsfangstovervåking gir også grunnlag for utvikling av aktive selektivitetssystemer som automatisk sorterer ut uønskede arter og størrelser fra trålen.
Pelagiske trål blir brukt til å fange omtrent 25 % av den totale fangsten i verden. Sammenlignet med andre fangstmetoder er det en relativt drivstoffeffektiv og skånsom metode. Bifangst av ikke-kommersielle eller beskyttede og truede arter kan likevel være problematiske. Utvikling av effektiv fangstovervåkingsteknologi er viktig for å gjøre fisket mer presist og redusere de negative påvirkningene av tråling. Det er også viktig for fiskerne for å sikre høy kvalitet og pris på fangsten, samt for forvaltningen i forbindelse med ressurskontroll som sikrer at høsting blir utført i tråd med regelverket.
Trålkamerasystemer blir brukt innen forskning (f.eks. Underwood et al., 2014; Stokesbury et al., 2017) og det er økende interesse for å utvikle og ta i bruk trål-kamerasystemer i kommersielt fiske. Eksempler på systemer som allerede er på markedet er Simrad FX80 (Kongsberg Discovery AS) og SeaScout trålkamera (Atlas Maridan). På flere hold utvikles det nå integrerte systemer der man prosesserer data i sanntid på enheten, overfører data trådløst fra kamera til styrehuset og mekanismer for aktiv seleksjon (f.eks. Game of trawls i Frankrike, Smart trawl i Storbritannia og ActSel i USA), men komplette systemer for dette er ikke ferdig tilgjengelig på markedet selv om utviklingen går raskt.
Pelagiske trål blir brukt til å fange omtrent 25 % av den totale fangsten i verden. Sammenlignet med andre fangstmetoder er det en relativt drivstoffeffektiv og skånsom metode. Bifangst av ikke-kommersielle eller beskyttede og truede arter kan likevel være problematiske. Utvikling av effektiv fangstovervåkingsteknologi er viktig for å gjøre fisket mer presist og redusere de negative påvirkningene av tråling. Det er også viktig for fiskerne for å sikre høy kvalitet og pris på fangsten, samt for forvaltningen i forbindelse med ressurskontroll som sikrer at høsting blir utført i tråd med regelverket.
Trålkamerasystemer blir brukt innen forskning (f.eks. Underwood et al., 2014; Stokesbury et al., 2017) og det er økende interesse for å utvikle og ta i bruk trål-kamerasystemer i kommersielt fiske. Eksempler på systemer som allerede er på markedet er Simrad FX80 (Kongsberg Discovery AS) og SeaScout trålkamera (Atlas Maridan). På flere hold utvikles det nå integrerte systemer der man prosesserer data i sanntid på enheten, overfører data trådløst fra kamera til styrehuset og mekanismer for aktiv seleksjon (f.eks. Game of trawls i Frankrike, Smart trawl i Storbritannia og ActSel i USA), men komplette systemer for dette er ikke ferdig tilgjengelig på markedet selv om utviklingen går raskt.
Hovedmål
Å videreutvikle CamSounder, som er et kamerabasert system som automatisk identifiserer og registrerer fangsten i sanntid, og tilpasser systemet til pelagisk trål (primært makrellfiske) inkludert trådløs dataoverføring til styrhuset. I tillegg skal prosjektet utvikle et konsept for seleksjonsmekanisme som reduserer bifangst av store marine arter.
Delmål (med korresponderende arbeidspakker (AP-er))
1. Å tilpasse og optimalisere sensorteknologi for bruk under pelagisk tråling for iterativ datainnsamling og utprøving (AP1).
2. Å utarbeide spesifikasjoner for implementering av maskinlæringsmodeller i undervannsenheten (AP1).
3. Å etablere treningssett for maskinlæring for deteksjon i pelagisk tråling basert på innsamlede data (AP2).
4. Å utvikle maskinlæringsalgoritmer for deteksjon og kvantisering av makrell og bifangstarter (AP2).
5. Å implementere informasjonsoverføring for fangst, sensorstyring og grafisk brukergrensesnitt for beslutningstøtte (AP3).
6. Å utvikle innretninger for å redusere bifangst av uønskede arter fra trålen (AP4).
7. Å gjennomføre forsøk for utprøving og verifisering av systemet (AP5).
Å videreutvikle CamSounder, som er et kamerabasert system som automatisk identifiserer og registrerer fangsten i sanntid, og tilpasser systemet til pelagisk trål (primært makrellfiske) inkludert trådløs dataoverføring til styrhuset. I tillegg skal prosjektet utvikle et konsept for seleksjonsmekanisme som reduserer bifangst av store marine arter.
Delmål (med korresponderende arbeidspakker (AP-er))
1. Å tilpasse og optimalisere sensorteknologi for bruk under pelagisk tråling for iterativ datainnsamling og utprøving (AP1).
2. Å utarbeide spesifikasjoner for implementering av maskinlæringsmodeller i undervannsenheten (AP1).
3. Å etablere treningssett for maskinlæring for deteksjon i pelagisk tråling basert på innsamlede data (AP2).
4. Å utvikle maskinlæringsalgoritmer for deteksjon og kvantisering av makrell og bifangstarter (AP2).
5. Å implementere informasjonsoverføring for fangst, sensorstyring og grafisk brukergrensesnitt for beslutningstøtte (AP3).
6. Å utvikle innretninger for å redusere bifangst av uønskede arter fra trålen (AP4).
7. Å gjennomføre forsøk for utprøving og verifisering av systemet (AP5).
I løpet av prosjektperioden forventer man å ha et kommersielt produkt som kan tas i bruk av flåten, en “plug and play”-løsning som identifiserer og overfører trådløs informasjon i sanntid om forekomsten av makrell og bifangst. Prosjektet er rettet mot pelagisk tråling etter makrell og bifangst av ikke-kommersielle eller beskyttede og truede arter, men teknologiene som blir utviklet er overførbare til trålfiskerier på mer generell basis.
Det forventes at sanntidsovervåking av fangst:
• vil gi et mer effektivt, lønnsomt og miljøvennlig fiske
• vil gjøre det mulig å avslutte tråling om fangstraten er lav, størrelsesfordelingen av målarten ikke er som ønsket eller det er innblanding av uønskede arter og størrelser
• vil gi kontinuerlig informasjon om fangstmengde (unngå for store eller for små fangster)
• vil gi bedre forståelse av fangstprosessen og fiskens atferd som kan bidra til optimalisering av fangstmetodene
• vil redusere bifangst av store uønskede arter i pelagisk tråling ved utvikling av “megafauna” excluder
• vil gi grunnlag for utvikling av en automatisk seleksjonsmekanisme, der trålen åpnes og lukkes basert på bildeinformasjon
Det forventes at sanntidsovervåking av fangst:
• vil gi et mer effektivt, lønnsomt og miljøvennlig fiske
• vil gjøre det mulig å avslutte tråling om fangstraten er lav, størrelsesfordelingen av målarten ikke er som ønsket eller det er innblanding av uønskede arter og størrelser
• vil gi kontinuerlig informasjon om fangstmengde (unngå for store eller for små fangster)
• vil gi bedre forståelse av fangstprosessen og fiskens atferd som kan bidra til optimalisering av fangstmetodene
• vil redusere bifangst av store uønskede arter i pelagisk tråling ved utvikling av “megafauna” excluder
• vil gi grunnlag for utvikling av en automatisk seleksjonsmekanisme, der trålen åpnes og lukkes basert på bildeinformasjon
Prosjektet er organisert i følgende fem arbeidspakker (AP-er):
AP1: Systemspesifikasjon og tilpasning av CamSounder
Ansvarlig: Hege Hammersland, Scantrol DV
CamSounder vil bli tilpasset pelagisk trål. Dette inkluderer innkapsling og innfesting i trål, akustisk kommunikasjon til fartøy, enten via sondekabel eller direkte og tilpassing av kamera, linser og lys. Det vil bli utarbeidet spesifikasjoner om hvordan nye maskinlæringsmodeller kan settes til drift på enheten. Målet er å ha et system for å laste ned ulike maskinlæringsmodeller som er tilpasset de ulike fiskeriene. For å få dette til er det nødvendig å spesifisere datastrøm og dataformat, som f.eks. art, lengde, mengde, og som skal sendes til operatør via kommunikasjonslinken til fartøyet, og hvordan modellene som skal utvikles i AP2 skal fungere sammen med CamSounder. CamSounder har begrenset datakraft (CPU, GPU, minne etc.) sammenlignet med serverbaserte løsninger for dataprosessering. Systemkrav for enheten vil bli kartlagt, og det vil bli utarbeidet kravspesifikasjoner for implementering av algoritmer. Dette vil legge føringer på hvilke maskinlæringsmetoder som er mulig å bruke, og det vil bli gjort en vurdering av aktuelle modeller.
For å teste algoritmene vil det bli satt opp en testbenk med maskinvare tilsvarende det som er brukt i CamSounder (sammen med AP2). Denne vil bli brukt under testing og utvikling av nye modeller for å sikre at de ikke bruker mer datakraft enn det som er tilgjengelig på CamSounder.
Følgnede aktiviteter er satt opp i forbindelse med systemspesifikasjonene:
• spesifikasjon av hvordan nye modeller kan settes i drift på CamSounder
• spesifikajon av datagrensesnitt og systembegrensninger (CPU, GPU, minne etc. på camsounder for nye modeller og avklare hvilke maskinlæringsmetoder som passer for formålet
• spesifikasjon av datastrøm og dataformat som skal leveres fra modellene (f.eks. art, lendge og mendge)
• avklare hvordan maskinlæringsalgoritmer skal testes før installasjon på CamSounder
AP2: Maskinlæringsalgoritmer
Ansvarlig: Ketil Malde (Havforskingsintituttet (HI))
Innsamlede data (jf. AP5) organiseres og gjøres tilgjengelig for annotering, videre behandling og bruk i prosjektet, og publisering innen prosjektet avsluttes. Et representativt utvalg av de innsamlede bildene annoteres med art og posisjon i bildet (“bounding box” (avgresningsboks) og/eller segmentering), og struktureres som treningsdata for maskinlæringsmodeller. Basert på treningsdatasettene, trenes passende modeller (f.eks. Yolo v8-11 med varierende antall parametre), og effektivitet i klassifisering kvantifiseres. Modellene testes på samme hardware-platform som CamSounder benytter (nVidia Jetson Orin NX) for å sikre at modellene er avpasset mot regnekapasitet og run-time.
Basert på deteksjon utvikles/implementeres metoder for sporing (tracking) og størrelsesestimering. Utviklede modeller og programmer tilpasses miljøet på CamSounder (jf. AP1) og overlates for integrasjon, implementering, og systemtesting i AP3.
AP3: Informasjonsoverføring og utvikling av grafisk brukergrensesnitt
Ansvarlig: Eirik Svoren Osborg (Scantrol DV)
Her vil man utvikle metoder for å laste ned og kjøre nye maskinlæringsmodeller på CamSounder. En vil bruke resultat fra algoritmene i AP2 til å generere data som passer for akustisk overføring til fartøyet. Dette kan være både varsler og numeriske verdier. Man vil utvikle brukergrensesnitt sammen med skippere for å presentere data som sendes fra trålen, og for å gi skipper mulighet til å velge hvilke varsler og verdier han ønsker å motta. I løpet av prosjektet er målet at CamSounder skal kunne brukes av fartøets eget mannskap og hente inn løpende data fra kommersiell fangst.
AP4: Prototype og konsept for seleksjonsmekanisme
Ansvarlig: Wenche Vigrestad (Egersund Trål AS)
Seleksjonssystemet Excluder ble utviklet av Greenline Fishing Gear AS (eid 70 % av Egersund Group AS) og for første gang tatt i bruk i 2013. Selekteringsprinsippet i en Excluder er slik at målarten kan passere gjennom maskene i en trakt/seleksjonspanel og ender opp i trålsekken, mens bifangstartene kan ikke passere fysisk gjennom maskene i seleksjonspanelet, men blir ledet ut gjennom en utslippsåpning (Grimaldo et al., 2023; Eigaard et al., 2024). Denne seksjonsløsningen ble i første omgang utviklet for å sortere ut uønsket bifangst av stor kveite fra målarten rødspette, og positive resultater har bidratt til at den har blitt videreutviklet til bruk i fem land i syv helt forskjellige fiskerier med forskjellige utfordringer (e.g. (Eigaard et al., 2021; Grimaldo et al., 2023).
Egersund Trål AS har utviklet en versjon av Excluder som er spesielt tilpasset for å sortere ut uønsket bifangst av megafauna som makrellstørje ved pelagisk tråling. Denne versjonen av Excluder er en forlengelse som monteres mellom trålbelgen og sekken. Lengden på Excluder er 13,5 meter, og består av notlin med forskjellig maskevidde og fire Ø32 mm leisetau i danline. De fire ytre nettingspanelene i Excluder er laget i 60 mm FM-polyamidmasker, mens det stormaskede skrånettet montert inni er laget i 175x175 mm HTPE-masker montert som kvadratmasker. Megafauna (f.eks. makrellstørje og andre store arter) som blir fanget i trålen blir ledet gjennom Excluder til utslippshullet via skråpanelet, mens målarten (f.eks. makrell) passerer gjennom skråpanelet i Excluder og bak i sekken.
Denne arbeidspakken skal teste og dokumentere funksjonaliteten av seleksjonsinnretningen megafauna-Excluder. Det skal tas utgangspunkt i den eksisterende versjon av megafauna-Excluder. Denne skal testes i forsøk med pelagisk trål etter makrell (AP5) og tilpasningsbehov vil bli identifisert. Ved behov for designforbedring, vil man ta i bruk tidligere erfaringer fra kommersielt bruk, erfaringer fra utvikling av Excluder i øyepålfiske, jf. prosjektet “Utvikling av effektive seleksjonssystem i industritrålfisk” (FHF-901950), EU-prosjektet ECOCATCH (HORIZON-MISS-2024-OCEAN-01-03, project ID: 101213692) og testing på tokt i dette prosjektet.
Det er ikke planlagt å lage nedskalert modell for første testing i prøvetanken. Det vil bli produsert fullskala prototype for testing på tokt. Basert på innsamlet informasjon underveis vil det være behov for nye designforbedringer og modifiseringer av prototype underveis i prosjektet.
AP5: Datainnsamling og forsøk
Ansvarlig: Jesse Brinkhof (UiT Norges arktiske universitet)
Data til etablering av treningssett og utvikling og validering av maskinlæringsalgoritmer vil bli samlet inn på HI sine Makrell økosystemtokt med M/S Vendla sommeren 2025–2027. Det vil også være mulig å samle inn ytterligere data på andre pelagiske tokt i regi av HI. Disse toktene vil også gi muligheten til å teste ut CamSounder. Fra 2026 vil data med CamSounder bli samlet inn i kommersielle fiskerier. Dette vil foregå om bord på M/S Sille Marie i tillegg til andre pelagiske fiskefartøy som vil bli kontaktet etter behov. UiT vil også stille forskningsfartøyet F/F Helmer Hanssen til disposisjon som kan brukes til kontrollerte tester og utvikling av kamerasystem. Kamerateknologien vil bli validert om bord på de samme fiskefartøyene og optimalisert for operasjonell bruk (AP3).
Feltaktiviteten blir finansiert gjennom egeninnsats fra HI, UiT ved behov og M/S Sille Marie. Aktiviteten blir også samkjørt med andre prosjekter og tokt (f.eks. HI CRIMAC tokt med F/F Geo Sars i november 2025–2027, HI-prosjektet NEMO og makrelløosystem-toktene (IESSNS), og feltaktivitet i prosjektet EcoCatch, om utvikling av seleksjonsmekanismer i pelagisk trål).
Man har valgt å ikke fokusere på aktive seleksjonsmekanismer i dette prosjektet men vil, basert på bedre forståelse av hvordan excluder fungerer i pelagisk trål og hvordan bifangst og målartene reagerer til systemet, utvikle et konsept for effektiv seleksjon og identifisere behovet for aktiv seleksjon med åpning og lukking av sekk. Denne aktiviteten blir samkjørt med NEMO-prosjektet på HI der et av målene er å utvikle åpne-lukke mekanismer av trålsekk for aktiv og selektiv sampling.
AP1: Systemspesifikasjon og tilpasning av CamSounder
Ansvarlig: Hege Hammersland, Scantrol DV
CamSounder vil bli tilpasset pelagisk trål. Dette inkluderer innkapsling og innfesting i trål, akustisk kommunikasjon til fartøy, enten via sondekabel eller direkte og tilpassing av kamera, linser og lys. Det vil bli utarbeidet spesifikasjoner om hvordan nye maskinlæringsmodeller kan settes til drift på enheten. Målet er å ha et system for å laste ned ulike maskinlæringsmodeller som er tilpasset de ulike fiskeriene. For å få dette til er det nødvendig å spesifisere datastrøm og dataformat, som f.eks. art, lengde, mengde, og som skal sendes til operatør via kommunikasjonslinken til fartøyet, og hvordan modellene som skal utvikles i AP2 skal fungere sammen med CamSounder. CamSounder har begrenset datakraft (CPU, GPU, minne etc.) sammenlignet med serverbaserte løsninger for dataprosessering. Systemkrav for enheten vil bli kartlagt, og det vil bli utarbeidet kravspesifikasjoner for implementering av algoritmer. Dette vil legge føringer på hvilke maskinlæringsmetoder som er mulig å bruke, og det vil bli gjort en vurdering av aktuelle modeller.
For å teste algoritmene vil det bli satt opp en testbenk med maskinvare tilsvarende det som er brukt i CamSounder (sammen med AP2). Denne vil bli brukt under testing og utvikling av nye modeller for å sikre at de ikke bruker mer datakraft enn det som er tilgjengelig på CamSounder.
Følgnede aktiviteter er satt opp i forbindelse med systemspesifikasjonene:
• spesifikasjon av hvordan nye modeller kan settes i drift på CamSounder
• spesifikajon av datagrensesnitt og systembegrensninger (CPU, GPU, minne etc. på camsounder for nye modeller og avklare hvilke maskinlæringsmetoder som passer for formålet
• spesifikasjon av datastrøm og dataformat som skal leveres fra modellene (f.eks. art, lendge og mendge)
• avklare hvordan maskinlæringsalgoritmer skal testes før installasjon på CamSounder
AP2: Maskinlæringsalgoritmer
Ansvarlig: Ketil Malde (Havforskingsintituttet (HI))
Innsamlede data (jf. AP5) organiseres og gjøres tilgjengelig for annotering, videre behandling og bruk i prosjektet, og publisering innen prosjektet avsluttes. Et representativt utvalg av de innsamlede bildene annoteres med art og posisjon i bildet (“bounding box” (avgresningsboks) og/eller segmentering), og struktureres som treningsdata for maskinlæringsmodeller. Basert på treningsdatasettene, trenes passende modeller (f.eks. Yolo v8-11 med varierende antall parametre), og effektivitet i klassifisering kvantifiseres. Modellene testes på samme hardware-platform som CamSounder benytter (nVidia Jetson Orin NX) for å sikre at modellene er avpasset mot regnekapasitet og run-time.
Basert på deteksjon utvikles/implementeres metoder for sporing (tracking) og størrelsesestimering. Utviklede modeller og programmer tilpasses miljøet på CamSounder (jf. AP1) og overlates for integrasjon, implementering, og systemtesting i AP3.
AP3: Informasjonsoverføring og utvikling av grafisk brukergrensesnitt
Ansvarlig: Eirik Svoren Osborg (Scantrol DV)
Her vil man utvikle metoder for å laste ned og kjøre nye maskinlæringsmodeller på CamSounder. En vil bruke resultat fra algoritmene i AP2 til å generere data som passer for akustisk overføring til fartøyet. Dette kan være både varsler og numeriske verdier. Man vil utvikle brukergrensesnitt sammen med skippere for å presentere data som sendes fra trålen, og for å gi skipper mulighet til å velge hvilke varsler og verdier han ønsker å motta. I løpet av prosjektet er målet at CamSounder skal kunne brukes av fartøets eget mannskap og hente inn løpende data fra kommersiell fangst.
AP4: Prototype og konsept for seleksjonsmekanisme
Ansvarlig: Wenche Vigrestad (Egersund Trål AS)
Seleksjonssystemet Excluder ble utviklet av Greenline Fishing Gear AS (eid 70 % av Egersund Group AS) og for første gang tatt i bruk i 2013. Selekteringsprinsippet i en Excluder er slik at målarten kan passere gjennom maskene i en trakt/seleksjonspanel og ender opp i trålsekken, mens bifangstartene kan ikke passere fysisk gjennom maskene i seleksjonspanelet, men blir ledet ut gjennom en utslippsåpning (Grimaldo et al., 2023; Eigaard et al., 2024). Denne seksjonsløsningen ble i første omgang utviklet for å sortere ut uønsket bifangst av stor kveite fra målarten rødspette, og positive resultater har bidratt til at den har blitt videreutviklet til bruk i fem land i syv helt forskjellige fiskerier med forskjellige utfordringer (e.g. (Eigaard et al., 2021; Grimaldo et al., 2023).
Egersund Trål AS har utviklet en versjon av Excluder som er spesielt tilpasset for å sortere ut uønsket bifangst av megafauna som makrellstørje ved pelagisk tråling. Denne versjonen av Excluder er en forlengelse som monteres mellom trålbelgen og sekken. Lengden på Excluder er 13,5 meter, og består av notlin med forskjellig maskevidde og fire Ø32 mm leisetau i danline. De fire ytre nettingspanelene i Excluder er laget i 60 mm FM-polyamidmasker, mens det stormaskede skrånettet montert inni er laget i 175x175 mm HTPE-masker montert som kvadratmasker. Megafauna (f.eks. makrellstørje og andre store arter) som blir fanget i trålen blir ledet gjennom Excluder til utslippshullet via skråpanelet, mens målarten (f.eks. makrell) passerer gjennom skråpanelet i Excluder og bak i sekken.
Denne arbeidspakken skal teste og dokumentere funksjonaliteten av seleksjonsinnretningen megafauna-Excluder. Det skal tas utgangspunkt i den eksisterende versjon av megafauna-Excluder. Denne skal testes i forsøk med pelagisk trål etter makrell (AP5) og tilpasningsbehov vil bli identifisert. Ved behov for designforbedring, vil man ta i bruk tidligere erfaringer fra kommersielt bruk, erfaringer fra utvikling av Excluder i øyepålfiske, jf. prosjektet “Utvikling av effektive seleksjonssystem i industritrålfisk” (FHF-901950), EU-prosjektet ECOCATCH (HORIZON-MISS-2024-OCEAN-01-03, project ID: 101213692) og testing på tokt i dette prosjektet.
Det er ikke planlagt å lage nedskalert modell for første testing i prøvetanken. Det vil bli produsert fullskala prototype for testing på tokt. Basert på innsamlet informasjon underveis vil det være behov for nye designforbedringer og modifiseringer av prototype underveis i prosjektet.
AP5: Datainnsamling og forsøk
Ansvarlig: Jesse Brinkhof (UiT Norges arktiske universitet)
Data til etablering av treningssett og utvikling og validering av maskinlæringsalgoritmer vil bli samlet inn på HI sine Makrell økosystemtokt med M/S Vendla sommeren 2025–2027. Det vil også være mulig å samle inn ytterligere data på andre pelagiske tokt i regi av HI. Disse toktene vil også gi muligheten til å teste ut CamSounder. Fra 2026 vil data med CamSounder bli samlet inn i kommersielle fiskerier. Dette vil foregå om bord på M/S Sille Marie i tillegg til andre pelagiske fiskefartøy som vil bli kontaktet etter behov. UiT vil også stille forskningsfartøyet F/F Helmer Hanssen til disposisjon som kan brukes til kontrollerte tester og utvikling av kamerasystem. Kamerateknologien vil bli validert om bord på de samme fiskefartøyene og optimalisert for operasjonell bruk (AP3).
Feltaktiviteten blir finansiert gjennom egeninnsats fra HI, UiT ved behov og M/S Sille Marie. Aktiviteten blir også samkjørt med andre prosjekter og tokt (f.eks. HI CRIMAC tokt med F/F Geo Sars i november 2025–2027, HI-prosjektet NEMO og makrelløosystem-toktene (IESSNS), og feltaktivitet i prosjektet EcoCatch, om utvikling av seleksjonsmekanismer i pelagisk trål).
Man har valgt å ikke fokusere på aktive seleksjonsmekanismer i dette prosjektet men vil, basert på bedre forståelse av hvordan excluder fungerer i pelagisk trål og hvordan bifangst og målartene reagerer til systemet, utvikle et konsept for effektiv seleksjon og identifisere behovet for aktiv seleksjon med åpning og lukking av sekk. Denne aktiviteten blir samkjørt med NEMO-prosjektet på HI der et av målene er å utvikle åpne-lukke mekanismer av trålsekk for aktiv og selektiv sampling.
Prosjektet ledes av Havforskningsinstituttets forsknings- og rådgivningsprogram “Norskehavet”. Samarbeidende miljøer omfatter Scantrol DV, Egersund Trål AS, Sille Marie AS og UiT Norges arktiske universitet.
Scantrol Deep Vision AS har utviklet CamSounder-teknologien gjennom mange års forskningssamarbeid i de to SFI-sentrene CRISP og CRIMAC. Scantrol DV sin rolle vil omfatte tilpasning av både maskinvare og programvare for krevende marine forhold, utvikling av kommunikasjonsløsninger for overføring av data til fartøyet, samt implementering av maskinlæringsmodeller.
Fra UiT, vil bidra med kompetanse i redskapsteknologi, herunder seleksjon i trål, og annen nødvendg kompetanse fra forskningsgruppen Harvest, gjennomføre av feltforsøk, forsøksdesign, innsamlig av data ombord i farttøy og rapportering.
Egersund Trål AS vil være ansvarlig for utvikling og produksjon av Excluder for sortering av målarten fra uønsket bifangst.
Skipper på M/S Sille Marie bidrar i prosjektet gjennom å ta med prosjektdeltakere om bord for testing av utstyr og innsamling av data.
Resultater fra forsøkene vil bli offentliggjort fortløpende gjennom rapporter, vitenskapelige artikler og populærvitenskapelige artikler samt på HI og UiT sine sosiale medier og nettsider. Resultatene vil dessuten bli presentert på aktuelle fiskerimesser og andre fiskerirelaterte anledninger som Egersund Trål AS og Scantrol DV deltar på i løpet av prosjektperioden. Resultatene blir også presentert på arbeidsgruppemøter for fiskeriakustikk (WGFAST) og fiskeriteknologi og atferd (WGFTFB) i Det internasjonale havforskningsrådet (ICES).