Appetittmeter

From todays qualitative interpretations of the videos of salmon feeding, we want to investigate and quantify parameters that are important for salmon appetite from these video streams. We have primarly looked at numbers of uneaten pellets, swimming behaviour and fish density in the feeding zone. Then by using both classical imaging methods and maschine learning algorithms we have measured these appetite indicator in real time from the videos. These measurements presented together with the video will be a decision support system for the camera operators monitoring the feeding, and can give an alarm in case of an unwanted event. To be able to analyze the videos in a robust manner we collected a lot of data to cover a wide range of scenarios. "Big data" approach and development of artificial intelligence systems were important to make the algorithm robust. Based on developed software there is automatically collected a lot of data from several salmon farmers through whole year. Infrastructure for "big data" storage and access is established. Many videos are also annotated for development of learning based algorithms. A pellets detection system is launched to prevent wasting pellets, and tested at customers sites. Based on customer feedback an improved version 2 is developed. Prototypes for fish density and fish behaviour is also developed.

Prosjektet og samarbeidet med SINTEF Digital har løftet kompetansen i ScaleAq og gjort at vi er komt mye nærmere visjonen om undervannskameraet som et måleinstrument i merden. Pelletsteller er lansert i prosjektet og videreutviklet i versjon 2. Dette kan redusere fôr svinnet som vil gi både økonomisk gevinst og redusert miljøbelastning. Prototyper for å måle fisketetthet i fôringssonen og kategorisere svømmeadferd er også utviklet. Disse er testet på opptak og på et anlegg med lovende resultat. ScaleAq vil utvikle disse to prototypene videre og teste i større skala. Mye video og sensordata fra undervannskameraene er samla inn fra ulike oppdrettsanlegg og til alle årstider. Dette representerer utallige scenarioer som kan brukes til å verifisere robustheten til nye algoritmer til bruk i oppdrettsmerder. Nå kan vi teste på laben først. Mye data er også manuelt annotert for å utvikle læringssystem (nevrale nettverk). Datasettet har også stor verdi for fremtidig utviklingsarbeid i ScaleAQ.

Den overordnede idéen for verdiskapning er å utvikle et beslutningsstøtte instrument for bedre fôrkontroll som kan integreres i Steinsvik sitt kamera- og fôringssystem, for objektiv fôring av fisk i oppdrettsanlegg. Steinsvik AS har levert rundt 10 000 undervannskamera, og har derfor tilgang til store datamengder. Kameraene er utstyr med sensor for oksygenmåling, dybde-og retningsinformasjon. Alle aktivitetene og valgene røkter gjør, som start, bremsing og fôring, logges. Gjennom dette prosjektet ønsker vi å koble alle disse datakildene med oppsummerende egenskaper fra videostrømmene for å legge til rette for læring i form av at man trener en maskinlæringsalgoritme til å etterligne en røkter ved å predikere fôringsintensitet og stopp. De mest sentrale FoU-utfordringene: - Ekstrahere egenskaper fra video som beskriver fiskens oppførsel - Utvikle algoritmer for automatisk vurdering av appetitt - Deteksjon av uventede hendelser under fôring og selvlæring - Forbedring av avbildende system Samtidig med utvikling av appetittmeteret, skal Steinsviks fôringssoftware utvikles slik at det er kommunikasjon mellom fôrings- og kameraovervåkingssoftware hvor appetittmeteret skal integreres. Steinsvik AS vil introdusere appetittmeteret etter at det er verifisert konsistent, grundig testet og oppfattes som nyttig av en referansegruppe av røktere (beta-testere). Produktet ligger innenfor selskapets kjernevirksomhet og vil bli markedsført gjennom Steinsviks markedsapparat. For å realisere innovasjonen trenger Steinsvik AS kompetanse fra SINTEF IKT. Steinsvik AS vil selv bygge opp kompetanse på konvertering av algoritmer til små og strømsnåle enheter (embedded hardware) som kan kjøre inni kameraet. Gjennom dette prosjektet ønsker Steinsvik, i samarbeid med SINTEF IKT, å redusere fôrslipp. Dette vil ha en positiv økonomisk effekt for oppdrette, samt en betydelig positiv miljøeffekt.