Tilbake til søkeresultatene

MARINFORSKHAV-Marine ressurser og miljø - havmiljø

Computer vision to expand monitoring and accelerate assessment of coastal fish

Alternativ tittel: Utvikling av maskinsyn for automatisk kameraovervåking av kystnære fiskearter

Tildelt: kr 12,2 mill.

Undervannskameraer blir økende grad brukt for å studere og overvåke fiskebestander i kystområder. Dette gir unik innsikt i artsmangfold og endringer i økosystemene, men er foreløpig avhengig av at erfarne marinbiologer identifiserer, måler og teller fisk manuelt, bilde for bilde. I prosjektet CoastVision vil vi anvende maskinlæring for å automatisere denne jobben. Et slik maskinsyn vil bli trent til å identifisere fisk ved hjelp av sine naturlige «strekkode», som er mønstre på huden eller kroppsfasong som er særegne for en art, kjønn og til og med individuelle fisk. Individuell identifisering er det mest innovative aspektet ved CoastVision og vil åpne nye muligheter for å individers atferd, vekst og overlevelse i deres naturlige habitat. CoastVision vil fokusere på kysttorsk og leppefisk, som er kommersielt viktige arter med komplekse men tydelige fargemønstre. Maskinsynet som utvikles vil anvendes på automatisk analyse av videostrømmer fra kystobservatorier og andre studier som bruker undervannskameraer. Slik automatisk overvåkning vil brukes til få en bedre forståelse av faktorene som påvirker bestandsdynamikken hos viktige kystarter. Videre vil maskinsynet brukes til å oppdage nye arter, som enten er klimaflyktninger fra sørligere strøk, eller innføres som en følge av mennesklig aktivitet. Klimaendringer og andre miljøutfordringer kan også medføre endret adferd hos fisk som vil kunne bli oppdaget raskere og mer presist med verktøyene som skal utvikles i CoastVision. Prosjektet er forventet å stimulere til at kamerabasert overvåking blir brukt i enda større grad enn idag, og integrert med maksinsyn vil dette revolusjonere vår evne til å observere, forstå og respondere på endringer i kystøkosystemene

Effective monitoring and management of coastal ecosystems is limited by observation methods. Underwater cameras are increasingly being used to monitor and study coastal fish communities; a major bottleneck for upscaling their use is dependence on human experts for image and video analysis. CoastVision will use the power of deep learning to refine and extend a computer vision pipeline for detecting, classifying and sizing the key fish species in shallow water coastal ecosystems, facilitating a transition to fully automated video analysis. Our models will be trained on data sets from several different surveys, ensuring cost-efficient development of routines that will be widely applicable. Computer vision for re-identifying (re-ID) individuals solely based on their unique visible features will also be developed. This novel aspect of CoastVision could ultimately provide new opportunities to obtain detailed knowledge about behaviour and population dynamics in wild fish populations, with minimal negative impact on animals and habitats and at a low cost. Our focal species for re-ID are Atlantic cod, ballan wrasse and corkwing wrasse, commercially important species with complex, high-contrast skin patterns. To generate the necessary training data for re-ID we will use synchronized radio frequency identification and camera systems. CoastVision’s automated video analysis pipeline will be integrated into ongoing ecosystem surveys and case studies whose main objective is to better understand the factors that affects the reproduction, recruitment and survival of commercially important coastal species. As such, CoastVision will contribute to independent, but complementary, research objectives. The project will advance the international research front for applied machine learning in marine ecology, which ultimately can revolutionize our ability to observe, understand and respond to ecological change at scales far more refined than is currently possible.

Budsjettformål:

MARINFORSKHAV-Marine ressurser og miljø - havmiljø