Morten Omholt Alver
Førsteamanuensis
Institutt for teknisk kybernetikk, NTNU
Trondheim. Norge
morten.alver@ntnu.no
+47 95150321
Yngelsens-prosjektet
Landbasert produksjon av fisk er i raskt vekst, både i biomasse og i variasjon av arter, og når det gjelder smolt og post-smolt viser industrien spesielt interesse for å produsere post-smolt opp til 1000 g. Resirkulasjonsanlegg (RAS) velges normalt for vannbehandling ved nybygg, og anleggene blir stadig større. Det blir derfor stadig viktigere å kunne observere, tolke, avgjøre og handle på et rasjonelt og etterprøvbart grunnlag. SINTEF har introdusert Precision Fish Farming som et konsept der målet er å benytte metoder innenfor instrumentering, reguleringsteknikk og matematisk modellering for å monitorere, styre og dokumentere produksjonen. YNGELSENS er et samarbeidsprosjekt mellom MOWI, SINTEF Ocean, Skala og NTNU, finansiert av Norges Forskningsråd.
Hovedfokus i YNGELSENS er å utvikle nye, kamerabaserte sensorer for å overvåke og parameterisere (tallfeste) fiskeatferd og knytte atferd opp mot regulering og optimalisering av utfôring for å redusere slamproduksjon og bedre vannkvaliteten. Disse sensorene finnes ikke i dag og vil kunne gi uvurderlige, objektive målinger i sanntid. I dag er røkting av yngelen erfaringsbasert og subjektiv, i tillegg til intervallbasert. Dermed kan en ikke nøyaktig beskrive og dokumentere atferden.
Hydrogensulfid (H2S) er en betydelig biologisk risikofaktor i RAS. En typisk reaksjon hos fisk på H2S eksponering er flukt og unngåelse av områder med forhøyede konsentrasjoner. Systematisk adferdsovervåkning har derfor et høyt potensial for å indikere forhøyede H2S konsentrasjoner i RAS. Via labforsøk skal atferd forsøkes relatert til økende konsentrasjoner av H2S i vann gjennom videoanalyse.
Potensialet med sensorer som beskrevet over er blant annet styrt utfôring, mindre slamproduksjon, mindre potensielt skadelige sulfatreduserende bakterier (SRB) som kan produsere H2S, samt mer robust smolt med bedre fiskehelse og fòrfaktor.
Oppgaveforslag
Robust avbilding av fisk i vann (m/Torfinn Solvang, SINTEF Ocean)
Atferd hos smolt i yngelanlegg er interessant å observere for objektiv vurdering av fiskens tilstand. Lysforhold, sikt i vannet, størrelse og tetthet av biomassen kan variere mye og stiller store krav til avbildingssystemet. I denne oppgaven skal det vurderes og testes optiske løsninger for robust avbilding av fisk i vann under suboptimale forhold. Dette innebærer bruk av ulike lyskilder og -kvaliteter samt optikk og avbildingsutstyr.
Metodeutvikling, deteksjon av svømmeatferd hos fisk (m/Torfinn Solvang, SINTEF Ocean)
Klassifisering av atferd hos fisk er interessant av flere årsaker. For eksempel kan en tidlig identifisering av avvikende atferd hos smolt i yngelanlegg gi et tidlig nok varsel om at sykdomsforløp eller lignende er underveis. Robuste teknikker for å hente ut den ønskede informasjonen fra videoopptak er essensielt for å kunne fungere i et industrielt miljø der sikt, biomassettetthet, bakgrunn, lysforhold og individstørrelser kan variere mye. I denne oppgaven skal det vurderes og testes ulike strategier for å ekstrahere svømmeatferd fra video, feks Optical flow, object tracking og convolution through time.
Maskinlæring og fiskeatferd i oppdrettskar (m/Torfinn Solvang, SINTEF Ocean)
Bruk av maskinlæring, typisk deep learning, til klassifisering av ulike typer fiskeatferd er interessant av flere årsaker. For eksempel kan en tidlig identifisering av avvikende atferd hos smolt i yngelanlegg gi et tidlig nok varsel om at sykdomsforløp eller lignende er underveis. Et annet eksempel er fôringsatferd, der identifikasjon av manglende sådan kan være tilbakekobling til foringssystemet om at biomassen ikke lenger nyttiggjør seg foret. I denne oppgaven skal det vurderes og testes ulike strategier for å avdekke noen valgte atferdsklasser.