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

cAIge-prosjektet vil transformere måten vi overvåker og vurderer laks i oppdrettsanlegg på. Det tar sikte på å utnytte avansert datamaskinsyn og kunstig intelligens for å automatisere velferdsovervåkning og vurdering av laks på individnivå. Prosjektet er organisert i fire arbeidspakker. Arbeidspakke én fokuserer på å utvikle selvlærende algoritmer som automatisk kan oppdage fremtredene trekk ved laks—slik som øyne, finner og kroppskonturer—fra videostrømmer. Ved å identifisere avvik fra standardutseendet til disse deler, kan systemet oppdage anomalier som kan indikere velferdsproblemer, slik som øyedefekter, sår eller deformasjoner. Arbeidspakke to har som mål å utvikle biometriske re-identifikasjonsteknikker for å spore individuelle laks over tid. Dette muliggjør langsiktig sporing av hver enkelt fisks helse og velferdsstatus, noe som betydelig forbedrer vår forståelse av individuelle og gruppebaserte helsedynamikker i storskala fiskeoppdrett. Arbeidspakke tre tar sikte på å korrelere fiskens velferd med ulike miljømessige og operasjonelle faktorer. Ved å bruke AI-resonneringsstrategier, har denne tilnærmingen som mål å knytte individuelle fiskeobservasjoner, miljøforhold og driftsoperasjoner til den generelle populasjonens velvære. Denne metodikken kan hjelpe til med å identifisere nøkkelfaktorer som påvirker fiskehelse og forutsi velferdspoeng under forskjellige scenarier. Arbeidspakke fire er dedikert til eksperimentell validering og evaluering av løsningene utviklet i de foregående arbeidspakkene. Dette inkluderer å sikre at metodene og algoritmene er biologisk nøyaktige og relevante. Totalt sett vil cAIge-prosjektet føre til et betydelig fremskritt i anvendelsen av datamaskinsyn og kunstig intelligens i akvakultur. Ved å automatisere velferdsovervåkning bidrar det til en objektiv overvåking av oppdrettslaksens helse og velvære, samtidig som det forbedrer effektiviteten og bærekraften i driftsoperasjonene.

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.