Applied Behavioral Phenotyping for the Selective Breeding of a Non-Cannibalistic European Lobster

Abstract

Europeisk hummer er en av de mest verdifulle skalldyrene i Europa, men grunnet reduserte villbestander og mangelen på kommersiell oppdrett er etterspørselen etter hummer i liten grad møtt. Hummeroppdrett har tidligere vist seg å ikke være kommersielt lønnsomt, grunnet høye kostnader ved å oppdra de kannibalistiske hummerne i enkeltceller. Disse utfordringene kunne blitt løst ved å selektivt utvelge hummer som ikke utviser kannibalistiske trekk, noe som ville muliggjort lønnsom kommersiell produksjon i fremtiden.

Inspirert av nylige fremskritt innen datasyn og maskinlæring har vi utviklet et atferdsfenotypingssystem for automatisert deteksjon av aggressive hummerindivider basert på video. Vi har også integrert systemet vårt med en robot-montert laser og kameraer for å avlive unghummer som utviser aggressiv atferd i sanntid. Systemet vårt kombinerer toppmoderne metoder fra maskinlæring og datasyn for å pålitelig og presist spore og fenotype kohorter med unghummer, og kan være et godt verktøy for storskala selektiv utvelgelse og avl av ikke-aggressive hummer som kan brukes i kommersielt lønnsom oppdrett. Grunnet sen klekking av hummerrogn fikk vi ikke testet det integrerte systemet på levende hummer. I stedet brukte vi en skjerm som viste video av hummerkohorter som erstatning. Denne testen viste av systemet klarer å detektere hummer som oppfører seg aggressivt i en sanntids-setting, og så bruke denne informasjonen til å spore og skyte hummeren med roboten. Resultatene var dog ikke perfekte, så for at systemet skal kunne anvendes industrielt må det implementeres sanntidssporing av hummernes positur, bedre robot og kameraer, og skalering av systemet for å kunne kjøre fenotyping og avliving i flere kar med hummer samtidig. Å gjennomføre en faktisk test på levende hummer vil også være et svært viktig steg for videre utvikling.

Systemet vi beskriver er så vidt vi vet det første av sitt slag som har blitt beskrevet i litteraturen, da ingen andre har beskrevet bruken av maskinlæring for atferdsfenotyping basert på sporingsdata, for å kunne bruke fenotypingsinformasjonen til å aktivt påvirke individene som fenotypes i sanntid. Vårt system er modulært og grundig forklart, og bør i så måte kunne brukes som et godt utgangspunkt for videre forskning på automatisert atferdsfenotyping.

European lobster is one of the most valuable shellfish products in Europe, but its small wild stocks and no existing commercial production makes the market demand largely unmet. Commercial farming has previously been unsuccessful due to large costs associated with keeping the cannibalistic lobsters in individual compartments while they grow. By selectively breeding lobster individuals that do not exhibit cannibalistic tendencies, these issues could be resolved, allowing for profitable commercial production.

Inspired by recent advances in computer vision and machine learning, we propose an automated system for behavioral phenotyping capable of detecting aggressive lobsters from video input. We have also integrated our system with a robot-mounted laser and cameras to perform live elimination of aggressive individuals. Our system combines state-of-the-art techniques to reliably and accurately track and phenotype cohorts of juvenile lobsters, and can aid in the selective breeding effort required to produce a non-aggressive lobster strain for profitable commercial production. Due to late hatching of the lobster eggs we had procured, we were unable to test the system on a tray of live lobsters. Instead, a monitor displaying lobster footage was used as a substitute. The testing showed that the integrated system is capable of detecting aggressive individuals in a real-time environment, and then track and eliminate these individuals with the robot. Results were not perfect however, and a production-ready system will require the implementation of real-time pose tracking, better camera and robot hardware, as well as scaling of the system to accommodate simultaneous phenotyping of multiple trays of lobsters. An actual test on live lobsters will also be adamant for further development.

The system we propose is to our knowledge the first of its kind reported in literature, in that it performs phenotyping on tracking data using machine learning, and then uses that information to directly control the individuals it phenotypes in real-time. Our system is modular and well-described, meaning it can provide a basis for further research on automated behavioral phenotyping.