Kunstig intelligens (KI) - En pilotstudie i overvåkning av velferd, sykdom og dødelighet hos Atlantisk laks (Salmo salar L.)
Master thesis
Permanent lenke
https://hdl.handle.net/11250/2999128Utgivelsesdato
2022-06-01Metadata
Vis full innførselSamlinger
- Master theses [269]
Sammendrag
Sammendrag Dødeligheten i norsk akvakultur er stabilt høy, og i 2021 døde 15,5 % av sjøsatt Atlantisk laks (Salmo salar) i norske merder. Høy dødelighet utfordrer akvakulturnæringas evne til bærekraftig vekst, da det kan gi redusert fiskevelferd, svekket ressursutnyttelse og økte produksjonskostnader. Fiskedødelighet er et velferdsproblem som indikerer at produksjonen av Atlantisk laks ikke er optimal. For å kunne sette inn målrettede tiltak for å forhindre dødelighet er det nødvendig å vite årsaken til at fisken dør. I dag finnes det ingen offentlig statistikk på de vanligste årsakene til at oppdrettslaks dør, men mange oppdrettere gjennomfører daglig dødfiskkategorisering i forbindelse med lovpålagt telling av dødfisk. Gjennom innovasjonsprosjektet GreatView ønsker bedriften CreateView å utvikle en bildeskanner som kan effektivisere telle- og karakteriseringsprosessen av dødfisk ved bruk av maskinlæring (ML) og kunstig intelligens (KI). Formålet med denne pilotstudien var å undersøke potensialet til å benytte KI til å overvåke velferd, sykdom og dødelighet hos Atlantisk laks (Salmo salar). I feltstudien ble individbaserte velferdsindikatorer skåret på dødfisk. Det ble samlet inn historikk fra felt og prøvemateriale fra tilfeldig utvalgte dødfisk til sykdomsdiagnostikk. Diagnostikken inkluderte histopatologiske undersøkelser av vev fra hjerte, muskel og pankreas, undersøkelse av bakterieutstryk fra nyre, pseudobrank og sår i MALDI-TOF og qPCR undersøkelser av nyrevev for Pasteurella sp. Historikk fra felt og diagnostikk ble benyttet til å kategorisere årsaker til dødelighet. I felt ble det tatt utvendige bilder av dødfisk. Velferdsindikatoren «Skjelltap» og diagnosen «Pasteurellose» ble markert på bildene, og de markerte bildene ble benyttet til å trene opp, og teste en objektgjenkjenningsalgoritme ved bruk av ML og KI. I oppgaven ble det erfart at det er utfordrende å kategorisere dødfisk i årsaker til dødelighet, og at ML og KI har større potensiale til å gjenkjenne velferdsindikatorer enn dødsårsaker. Velferdsindikatorene som gjenkjennes av bildeskanneren kan kobles sammen med annen informasjon om fisken for å kategorisere den i dødsårsaker. En bildeskanner som gjenkjenner velferdsindikatorer på dødfisk og kobler dem sammen med andre funn fra felt har potensiale til å bidra til å redusere dødeligheten gjennom tidlig varsling om velferdsutfordringer. Abstract The mortality in Norwegian aquaculture is stably high, in 2021 15,5 % of the Atlantic salmon (Salmo salar) in Norwegian sea cages died. High mortality challenges the ability for sustainable growth in the aquaculture industry, as it can lead to reduced fish welfare and resource utilisation and increased production costs. Fish mortality is a welfare problem which indicates that the production of Atlantic salmon is not optimal. To be able to implement targeted measurements to prevent mortality, it is necessary to know the cause of death. There are no official statistics on what the most common causes of death for Atlantic salmon in Norway are, but many fish farmers carry out daily categorization of dead fish in connection to the mandatory count of dead fish. Through the innovation project GreatView, the company CreateView wants to develop an image scanner that can make the counting and characterization process of dead fish more effective with the utilisation of machine learning (ML) and artificial intelligence (AI). The purpose of this pilot study was to investigate the potential to utilise AI to monitor welfare, disease, and mortality in Atlantic salmon. In this field study individual welfare indicators were scored on dead fish. Field history and sample material from random selected dead fish was collected for disease diagnostics. The diagnostics included histopathology with tissue from heart, muscle and pancreas, bacterial smears from kidney, pseudobrach and wounds in MALDI- TOF, and qPCR investigations on tissue from kidney for Pasteurella sp. The history from field and the diagnostics was used to categorize causes of death for the fish. There were taken pictures of the outside of the fish. The welfare indicator “Shale loss” and the diagnose “Pasteurellosis” was marked on the pictures. The marked pictures were utilized to train and test an object detection algorithm with the use of ML and AI. In this study it was experienced that it is challenging to categorize dead fish in causes of death, and that ML and AI has greater potential to recognize welfare indicators than causes of death. The welfare indicators recognized in the image scanner can be connected to other information from the fish to categorize the fish in causes of death. An image scanner which recognizes welfare indicators on dead fish and connect them with other findings from field has the potential to contribute to reduce mortality though early warning.