Tilbake til søkeresultatene

SFI-Sentre for forskningsdrevet innovasjon

CRIMAC - Centre for research-based innovation in marine acoustic abundance estimation and backscatter classification

Alternativ tittel: CRIMAC - Senter for forskningsdrevet innovasjon i marin akustisk mengdemålingsmetodikk og ekkoklassifisering

Tildelt: kr 96,0 mill.

Målet med CRIMAC er å forbedre og automatisere tolkningen av data og bilder fra fiskeriakustikksensorer utplassert på en rekke forskjellige plattformer, inkludert akvakulturmerder, ubemannede overflatefartøyer, forskningsfartøy og fiskebåter. Hovedmålet med SFIen er utvikle fiskeriakustisk metodikk og tilhørende optiske metoder, og å anvende slike metoder til 1) undersøkelser for marine organismer, 2) fiskeri, 3) akvakultur og 4) energisektoren. Hva er og hvordan bidrar de ulike delene av marine organismer til bredbåndsspredning? Komplekse bredbåndsfrekvensresponser fra marine organismer kan simuleres fra numeriske modeller. Vi har testet og etablert modeller for å simulere akustisk tilbakespredning fra ulike frekvenser og målegenskaper. Numerisk stabilitet og kjøretid er viktige referanser, og forskjellige implementeringer har blitt testet. Vi har nå en effektiv infrastruktur for å modellere akustisk tilbakespredning. Dette skal brukes i flere oppgaver i arbeidsplanen for 2024. I 2022 dokumenterte vi standard signalbehandlingstrinn til Simrad EK80 bredbåndsekkolodd og utviklet en åpen kildekode som dokumenterer stegene. En artikkel som dokumenterer den er i trykk, og en effektiv implementering er inkludert i det kommersielt tilgjengelige LSSS-systemet. Dette bidraget dokumenterer og gjør det mulig for fiskeriakustikkmiljøet å behandle akustiske bredbåndsdata effektivt og pålitelig. Hva er bredbåndsfrekvensresponsene til marine organismer og andre akustiske mål? Bredbånds ekkolodd data fra makrell, sild og bunnfisk, fra merder, sonder, forskningsfartøy og fiskefartøy er samlet inn. Et stort testdatasett som dekker en rekke forskjellige brukstilfeller har blitt organisert. Dette danner grunnlaget for metodeutviklingen i CRIMAC. Testsettet spenner fra laks i merder, makrell, sild, bobler, etc. Datasettet deles på tvers av senteret for å lette utviklingen av metoder. HI har bygget et nytt havforskningsanlegg som inkluderer 16 stk 12x12 m2 merder ved HI sin forskningsstasjon på Austevoll. CRIMAC har vært involvert i planleggingen av anlegget for å sikre at det er egnet til vårt formål. Vi har samarbeidet med SFI Smart Ocean som utvikler metoder for å overvåke miljøparameterne i nærheten av forskningsanlegget. En ekkoloddrigg er utviklet for å passe til merdene, slik at vi effektivt kan utføre ekkoloddmålinger på en rekke arter. Måling av størrelse på fisk er viktig for fiskerinæringen, oppdrettsnæringen og for marin forskning, og vi jobber med ulike strategier for å estimere fiskelengde fra bredbåndsdata. Et forsøk er utført på laks under vekst for å vurdere endringen i de akustiske egenskapene når fisken vokser. Datasett som dekker en rekke størrelser er på plass og vil bli brukt til å teste ulike algoritmer for størrelsesestimering av fisk. Hva er organismene og målene som genererer akustiske ekko? Den taksonomiske oppløsningen til akustiske data er begrenset, og det er nødvendige med andre metoder for å pålitelig klassifisere akustiske ekko til arter eller artsgrupper. Scantrol Deep Vision har utviklet et optisk system for å montere inne i trål, og CRIMAC har implementert maskinlæringsmetoder for å tolke bildestrømmen som kommer fra enheten samt integrert dette i arbeidsflyten til HI. Metoden er testet på økosystemtoktet i Norskehavet. Klare bilder fra trålkamerasystemer er nødvendig for å bruke optiske metoder nær havbunnen, både for kommersielle og vitenskapelige formål. Ved prøvetaking nær bunnen vil sedimentskyen påvirke bildekvaliteten, og eksperimenter for å vurdere denne utfordringen er publisert. Kan maskinlæringsteknikker pålitelig og nøyaktig kategorisere akustiske ekko? Moderne maskinlæringsalgoritmer kan brukes på store volum av historiske akustiske data, og datasett fra lange tidsserier med akustiske undersøkelser er tilrettelagt. Ulike algoritmer for å forbedre ytelsen til maskinlæringsalgoritmer for akustisk artsklassifisering har blitt testet, inkludert «semi supervised» algoritmer. En annen utfordring er de svært ubalanserte datasettene, der de fleste ekkoene ikke stammer fra målarten. Vi har utviklet en prøvetakingsstrategi for å adressere denne ubalansen og har brukt den på dyplæringsmetoder brukt på fiskeriakustikkdata. Hvordan utnytte akustiske sensorer på autonome plattformer, vurdere usikkerhet og utnytte effekten av atferd på akustisk tilbakespredning? Autonome plattformer kan utstyres med akustiske sensorer, og plattformene kan enten kjøres uavhengig eller sammen med skip. De kan brukes til flere formål, inkludert speiderfartøy for fiskeoperasjoner og for å utvide skipsbaserte akustiske undersøkelser. Sounder er ein USV utviklet av KD som er utstyrt med bredbåndsekkolodd. Plattformen er testet på to forskjellige CRIMAC tokt. Datakvalitet og operering av farkosten er utviklet og testet. Dette er viktige skritt for å implementere USV for fiskeriakustikkapplikasjoner.

Fisheries acoustics is used to monitor the largest fish and krill stocks in the world’s oceans and to study marine ecosystems. A modern fishery without acoustic tools for detection, inspection and monitoring of seabed, schools, and the catching process is unthinkable. New wideband echo sounders offer a new opportunity in this arena for Norwegian science and industry. Science and fishing vessels can not only observe the echo amplitude and density of fish under the vessel, but also utilize the backscattered echo spectrum from the organisms. For simplicity, we prefer to define this as the echo dialect of the objects, as for example, an echo from an individual herring is affected by body shape, swim bladder, body constituent and behavior, and is different from the mackerel “echo dialect". We propose that systematic experimental and in situ research can be used to understand and interpret the different echo dialects from fish and marine organisms. We will further expand on existing multifrequency methods for classification and target sizing by utilizing modern machine learning techniques. This will improve the accuracy of existing monitoring methods and help the fishing skipper to make good catch decisions. Further, direct optical observations from the trawl and use of active selection devises will reduce bycatch. For accurate verification of acoustic recordings, we need continuous optical information from the trawl cod end. This will be achieved with the Scantrol DeepVision system, here tested with active selection devices, and open/closing nets. Discrete samples may then be taken sequentially in deep water, such as in mesopelagic communities. Wideband technology has been miniaturized and can be installed in probes, bottom landers, and surface and underwater unmanned vehicles (drones). We will assess how these can improve scientific monitoring by increased adaptive sampling, and how drones can be used in fishing for forward-mapping and inspection prior to catching.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Budsjettformål:

SFI-Sentre for forskningsdrevet innovasjon

Temaer og emner

InternasjonaliseringInternasjonalt prosjektsamarbeidBransjer og næringerOlje, gassLTP3 Samfunnsikkerhet, sårbarhet og konfliktLTP3 Samfunnssikkerhet og beredskapAvanserte produksjonsprosesserBruk av avansert produksjonsteknologi (ny fra 2015)Avanserte produksjonsprosesserMatGlobal matsikkerhetBransjer og næringerIKT-næringenIKT forskningsområdeDigitalisering og bruk av IKTIKT forskningsområdeSmarte komponenterInternasjonaliseringMatLTP3 Havteknologi og maritim innovasjonAnvendt forskningIKT forskningsområdeKunstig intelligens, maskinlæring og dataanalyseMatMat - Blå sektorLTP3 Nano-, bioteknologi og teknologikonvergensDigitalisering og bruk av IKTPrivat sektorMarinFiskeriPortefølje Klima og miljøMarinMarint naturmangfold, økosystemer og økosystemtjenesterNordområdeneMaritimLTP3 Fagmiljøer og talenterMaritimMaritime muligheter i havnæringeneFNs BærekraftsmålMål 14 Liv under vannNaturmangfold og miljøMarint naturmangfold, økosystemer og økosystemtjenesterBioøkonomiNaturmangfold og miljøLTP3 Muliggjørende og industrielle teknologierPortefølje Energi og transportBioøkonomiØvrig bioøkonomiGrunnforskningLTP3 Styrket konkurransekraft og innovasjonsevneLTP3 Høy kvalitet og tilgjengelighetBransjer og næringerPortefølje Banebrytende forskningPortefølje Mat og bioressurserBransjer og næringerFiskeri og havbrukFNs BærekraftsmålMarinPortefølje Muliggjørende teknologierPortefølje ForskningssystemetLTP3 Bioøkonomi og forvaltningPortefølje InnovasjonLTP3 Et kunnskapsintensivt næringsliv i hele landetLTP3 Klima, miljø og energiLTP3 Hav og kystLTP3 Marine bioressurser og havforvaltningLTP3 IKT og digital transformasjonPolitikk- og forvaltningsområderPolitikk- og forvaltningsområderFiskeri og kystNordområdeneKlima, miljø og biologiske ressurser