Vis enkel innførsel

dc.contributor.advisorTuene, Stig Atle
dc.contributor.advisorGansel, Lars Christian
dc.contributor.authorJensen, Simen Muhle Steen
dc.contributor.authorLoen, Vegard Neverdal
dc.contributor.authorVevelstad, Amund
dc.date.accessioned2021-09-25T16:58:56Z
dc.date.available2021-09-25T16:58:56Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:82635201:82666612
dc.identifier.urihttps://hdl.handle.net/11250/2783530
dc.description.abstractOppgaven tar for seg problematikken med telling av lakselus i frie vannmasser, datagrunnlag for lakselus og validering av trafikklyssystemet. Vi har utviklet en effektiv metode for registrering av lakseluslarver i planktonprøver ved hjelp av maskinlæring og bildegjenkjenning av lakseluslarver i naupliestadiet. Denne metoden fungerer som et “flow” system hvor væske med plankton pumpes i jevn strøm over en renne. Der vil alt av plankton som kommer forbi bli tatt opp i video og eventuelle lakseluslarver bli kjent igjen av bildegjenkjenningen. Ved bruk av denne metoden blir konsentrerte vannprøver analysert med en hastighet på 15 ml/minuttet og det nevrale nettverket gjenkjente 98,41 % av luselarvene. Menneskelige ressurser kan dermed brukes til å telle registreringene, i stedet for å lete etter luselarvene. Resultatene viste også en gjennomsnittlig identifiseringssikkerhet av lakseluslarver på 92,98%. Det er benyttet kunstige prøver med plankton og nauplielarver (lakseluslarver), avlivet ved bruk av sprit, i forkant av analysene. Med optimal konsentrasjon på vannprøvene vil man pumpe 26 plankton i sekundet, og kan dermed gå gjennom 93600 plankton i timen sammenlignet med tradisjonell telling i mikroskop der tilsvarende mengde plankton kan ta 3-4 døgn. Det er behov for videre forskning med reelle planktonprøver og trening med lakselus i copepodittstadiet, som med tilrettelagt trening av AI forhåpentligvis kan gi lignende resultat. Effektiv registrering av lakselus i planktonprøver med AI og bildegjenkjenning vil kunne benyttes for å validere trafikklyssystemet ved å registrere antall lakseluslarver i viktige områder langs norskekysten.
dc.description.abstractThis thesis addresses the challenges associated counting salmon lice larvae in plankton samples, data of salmon louse and validation of the traffic light system. We have developed an effective method for registering salmon lice larvae in plankton samples by using deep learning and object recognition of the nauplii stage of salmon lice. The method works as a flow system, where fluids with plankton is pumped in a steady flow through a thin chute. All the plankton passing the digital camera will be filmed, and the film is then processed by a neural network trained to recognize salmon lice larvae. Using this method, concentrated water samples containing plankton, gets analyzed at speed of 15ml/min. The neural network recognized 98,41% of the salmon lice larvae. Human resources can therefore be used to count recognitions instead of searching for manually for lice. The results also showed an average identification certainty of salmon lice larvae of 92.98%. Artificial samples with plankton and nauplii larvae (salmon lice larvae), killed using alcohol, were used prior to the analyzes. With optimal concentrated water samples, this method will pump 26 plankton per second, and can thus go through 93600 plankton per hour compared to traditional counting under a microscope, where the corresponding number of plankton can take 3-4 days. There is a need for further research with real plankton samples and training with salmon lice in the copepodite stage, which with adapted training of the AI can hopefully give similar results. Effective registration of salmon lice in plankton samples with AI and image recognition can be used to validate the traffic light system by registering the number of salmon lice larvae in important areas along the Norwegian coast.
dc.languagenob
dc.publisherNTNU
dc.titleUtvikling av en effektiv metode for registrering av lakseluslarver i ferske planktonprøver.
dc.typeBachelor thesis


Tilhørende fil(er)

Thumbnail
Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel