Tilbake til søkeresultatene

HAVBRUK2-Stort program for havbruksforskning

NordForsk - Intelligent farming and health control in landbased recirculating aquaculture systems

Tildelt: kr 2,6 mill.

Produksjon av fisk i landbasert akvakultur er en betydelig kilde for animalsk protein for human ernæring i Norden. Bruk av resirkuleringsteknologi i akvakultursystemer (RAS) er en miljømessig bærekraftig løsning som blir mer og mer relevant for dagens produksjonssystemer. Store utfordringer med disse produksjonssystemene forårsaker midlertid snevre produksjonsmarginer og økonomisk usikkerhet. En del av disse utfordringene er knyttet til fiskehelse og produksjonsytelse. Store mengder av data om vannkvalitet, fôrbruk og helseparametere samles inn gjennom overvåking av fisken og deres miljø via sensorer og manuel overvåking. I de fleste tilfeller lagres disse dataene i separate datasystemer, uten å utnytte det enorme potensialet for mer presis overvåking og rapportering av helse, velferd og vekst hos fisken i sanntid. Prosjektet tar sikte på å integrere slike data fra mange RAS-anlegg og produksjonssykluser. Disse data vil brukes i modeller og ved bruk av kunstig intelligens (AI) vil det utvikles verktøy slik at oppdrettere kan gå fra erfaringsbasert til kunnskapsbasert beslutningstaking -såkalt "precision fish farming". Dette vil muliggjøre en mer bærekraftig produksjon med hensyn til produksjonsmarginer, miljøpåvirkning og fiskehelse og -velferd. De spesifikke målene for prosjektet er: * Integrering av flere datakilder til bigdata inkludert data om vannkvalitet, fôrbruk, helse og produksjon * Utvikle et dyplæringsbasert prototypesystem for audiovisuell overvåking av fiskeatferd i RAS-anlegg * Utvikling av en dynamisk vekstmodell som inkluderer flere datakilder * Implementering av presisjonsoppdrettssystem for optimal produksjon * Utvikling av et helseovervåkingssystem. Den beste indikatoren på helse og trivsel er fiskens egen oppførsel. I prosjektet brukes dyplæringsverktøy på videosekvenser av fisk, dvs. lære datasystemer hvordan fisken reagerer i forskjellige situasjoner. I to RAS-anlegg har fiskens overflateaktivitet blitt filmet, og et utvalg av videosekvenser har etterfølgende blitt annotert, dvs at personer har markert hva som er fiskens hoved i videoene. Disse annoteringene har blitt brukt til å trene systemet i å gjenkjenne fisken, og kunne følge dens bevegelser i tanken. På denne måten har vi laget en algoritme for normal adferd. I den siste delen av prosjektet gjennomføres foringseksperimenter, slik at systemet kan trenes til å kjenne igjen foringsadferd. For å vite hvordan fisken påvirkes av produksjonssystemet har det blitt gjennomført omfattende velferds- og sykdomsundersøkelser av fiskene i de to anleggene. Tilsvarende undersøkelser har blitt gjort på ytterligere to RAS-anlegg. I løpet av 2021-2023 har vi fulgt 18 fiskegrupper på de fire anleggene. Hver fiskegruppe har blitt undersøkt minst en gang, og totalt har det vært 41 undersøkelser av i alt 2828 fisk. Til undersøkelsen har vi brukt systemet for skåring av ytre velferdsindikatorer fra Fishwell-håndboken. Det viser seg, at 98% av al fisken har finneskader, og at disse skadene endrer seg over tid, både i alvorlighetsgrad og hvilke finner som er mest skadet. Resultaterne fra undersøkelsene er ikke ferdigbehandlet ennå, men vil bli publisert i starten av 2024. Fra alle fire anlegg samles også produksjonsdata, og data på fôrforbruk og miljøovervåkinger. Med denne tilgangen skal vi undersøke om eventuelle helse- og velferdsutfordringer reflekteres i de innsamlede dataene. I tillegg er innsamlet produksjonsdata fra 15 RAS-anlegg, og disse brukes nå til å utvikle en modell som skal kunne påvise avvik fra normal eller forventet dødelighet, basert på daglige data. Denne datainnsamlingen har også gitt et innblikk i hvilke typer av data som egentlig finnes i RAS-produksjon i de nordiske land. Og også hvilke typer målinger som er eller vil bli automatiserte. På den måten vil vi få et overblikk over status quo for bruk av «big data» i RAS-produksjon, og kunne komme med forslag til forbedringer.

Production of fish in land-based aquaculture contributes significantly to the production of animal protein in the human food-supply chain in the Nordic countries. Recirculation aquaculture systems (RAS) provide an environmentally sustainable solution that is becoming more and more relevant for current production systems. However, considerable challenges with these production systems means narrow production margins and uncertainties regarding fish health and production performance. An extensive amount of information on water quality, feed use and health parameters are gathered through monitoring of the fish and their environment via sensors. In most cases, these data are stored in separate datasystems, not utilizing the huge potential for more precise monitoring and reporting of the realtime health, welfare and growth of the fish. We aim to integrate such data from many farms and production cycles and through the usage of Artificial Intelligence (AI), enabling the farmers to move from experience-based to knowledge-based decision making. This will enable a more sustainable production with regards to production margins, environmental impact and fish health and -welfare. The best indicator of health and performance is the behaviour of the fish themselves. One major challenge in RAS is waste of feed. We will use AI and statistical models to develop a closed loop control of feeding to reduce feed waste and optimize growth, moving from a manual analysis and response to a knowledge-based automatic one. This will be done by the application of deep learning tools on video sequences of fish, teaching computer systems how the fish react when they are hungry and when they have been feed. In addition, statistical models will be used on the integrated datasources and video sequences to develop a system for early detection and warning of upcoming disease events, thus giving the farmer time to react in the narrow time-window between an adverse health event and death.

Budsjettformål:

HAVBRUK2-Stort program for havbruksforskning