Appetittmeter

Fra dagens rent kvalitative tolkninger av fôringsvideo ønsker man med dette prosjektet å lete etter parametere som er viktig for appetitt. Vi har her sett på blant annet antall uspiste pellets, svømmeadferd og fisketetthet i fôringssonen. Vi har så ved hjelpa av både klassisk bildebehandling og maskinlæringsalgoritmer målt disse appetittindikatorene i sanntid på videoen. Dette kan brukes av kameraoperatørene som beslutningsstøtteverktøy under fôring, og gi alarmer ved uønska hendelser. For å kunne analysere videoen på en robust måte har man samlet inn mye data for å dekke et stort spenn av situasjoner. "Big data" tilnærming og utvikling av kunstig intelligens har vore viktig for å få algoritmene robuste. Det er samlet inn mye data fra flere oppdrettsanlegg gjennom alle årstider, basert på egenutviklet software. Infrastruktur for stor-data lagring og tilgang er etablert. Mange videoer er også blitt annotert til bruk for å utvikle læringsbaserte algoritmer. Et pelletsdeteksjonssystem er lansert for å hindre sløsing av pellets, og til uttestet hos tidlige kunder. Basert på kundetilbakemeldinger er en forbetre versjon 2 utviklet. Samtidig som prototyper for fisketetthet og svømmeadferd er utviklet.

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.