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

CAIge-prosjektet har som mål å transformere måten vi overvåker og vurderer laks på i oppdrettsanlegg. Den planlegger å bruke avansert datasyn og kunstig intelligens-teknologi for å automatisere velferdsovervåking og vurdering av laks. Prosjektet er organisert i fire arbeidspakker. Work-Package en er fokusert på å utvikle selvlærende algoritmer som automatisk kan oppdage fremtredene trekk ved laks, som øyne, finner og kroppskonturer, fra videostrømmer. Ved å identifisere avvik fra standardutseendet til disse deler, kan systemet oppdage anomalier som kan indikere velferdsproblemer, som øyedefekter, sår eller deformasjoner. Arbeidspakke to er sentrert rundt bruken av biometriske teknikker for å identifisere individuell laks over tid. Dette gir mulighet for langsiktig sporing av individuell fiskehelse og velferdsstatus, et lovende konsept som betydelig kan forbedre vår forståelse av individuelle og grupperes helsedynamikk i fullskala fiskeoppdrett. Arbeidspakke tre har som mål å etablere en sammenheng mellom fiskevelferd og ulike miljø- og driftsfaktorer. Ved å bruke AI-resonneringsstrategier vil systemet forsøke å assosiere individuelle fiskeobservasjoner med samlet fiskebestands velvære, miljøforhold og oppdrettsvirksomhet. Denne tilnærmingen kan bidra til å identifisere viktige bidragsytere til fiskehelse og muliggjøre prediksjon av velferdsscore under ulike scenarier. Arbeidspakke fire er dedikert til eksperimentell validering og evaluering av metodene utviklet i de andre arbeidspakkene. Denne arbeidspakken har også som mål å sikre at metodene og algoritmene som utvikles er biologisk nøyaktige og relevante. Dette prosjektet representerer et betydelig sprang fremover innen datasyn og akvakultur. Ved å automatisere prosessen med velferdsovervåking, bidrar det til å forbedre helsen og velværet til oppdrettslaks, samtidig som det forbedrer effektiviteten og bærekraften til oppdrettsvirksomheten.

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.