Computer Vision and Artificial Intelligence based Salmon Identification and automated long-term welfare assessment in aquaculture net-pens

cAIge-prosjektet transformerer hvordan vi overvåker og vurderer laks i oppdrettsanlegg ved å utnytte avansert datavisjon og kunstig intelligens (KI) for å automatisere velferdsovervåkingen på individnivå. Ved hjelp av kontinuerlige stereovideodata fra kommersielle merder utvikler cAIge algoritmer og verktøy som kan hente ut relevant informasjon direkte fra store datamengder. Prosjektet er organisert i fire arbeidspakker: Arbeidspakke 1: Automatisk trekk-ekstraksjon. Vi utvikler dyplæringsmodeller som kan oppdage og spore høynivå-trekk hos laks, slik som øyne, finner, kropps­konturer og ytre tilstander (sår, skjelltap, deformiteter). Disse deteksjonene danner grunnlaget for å kvantifisere helseindikatorer i stor skala. Arbeidspakke 2: Individ-reidentifikasjon. Ved å kombinere biometriske trekk og avansert sporing, har vi som mål å re-identifisere enkeltlaks over tid. Dette gjør det mulig å følge samme fisk over uker og måneder, og gir unik innsikt i individuelle vekst- og velferdsforløp i store merdpopulasjoner. Arbeidspakke 3: Knytte velferd til miljø og operasjoner. Vi integrerer fiskenes observasjoner med miljødata (f.eks. temperatur, oksygen) og driftsoperasjoner (f.eks. behandlinger, trenging). KI-baserte resonneringsstrategier brukes til å analysere hvordan disse faktorene påvirker fiskevelferd og til å forutsi velferdsutfall under ulike forhold. Arbeidspakke 4: Validering og biologisk relevans. Alle utviklede metoder valideres opp mot ekspertvurderinger og driftsdata for å sikre biologisk nøyaktighet og praktisk anvendbarhet. Feltforsøk og eksperimentelle studier er sentrale i denne valideringen. cAIge fremmer bruken av kunstig intelligens i havbruk ved å muliggjøre objektiv, automatisert og skalerbar overvåking av laksevelferd. Prosjektet bidrar til bedre fiskehelse, forbedret beslutningsstøtte for oppdrettere og mer bærekraftig produksjon. Prosjektet er også godkjent som et FN Ocean Decade-prosjekt, noe som fremhever dets rolle i å anvende kunstig intelligens for å fremme bærekraftig akvakultur og støtte FNs bærekraftsmål.

Technology development in cAIge will allow automated, machine-assisted monitoring of fish health and welfare in aquaculture farms at hitherto unprecedented precision levels. This is to be achieved by leveraging advanced AI-based computer vision technology along with individual fish re-identification algorithms for uninterrupted welfare assessment over time. In addition, the relationship between observed welfare status, environmental factors, and farming practices will be integrated into comprehensive models, thereby gaining a better understanding of how these factors interact to shape optimal holding conditions of fish in aquaculture. We emphasize that monitoring the welfare and responses to operational and environmental factors of individual fish over a prolonged period of time represents a significant advancement over the current practice to monitor the fish, thereby enabling researchers in the future to assess fish welfare and behavior on a scale never experienced before.