Passiv akustiste statusindikatorer - en mulighetsstudie

Abstract

Et lakseoppdrettsanlegg har ofte flere merder der hver merd kan ha opp til 200 000 laks om gangen. Høy biomassetetthet og endret miljø under operasjoner kan påvirke fiskenes velferd blant annet grunnet stress eller dødelighet. Masteroppgaven er gitt av SINTEF Ocean hvor formålet er å utforske mulige statusindikatorer med et søkelys på å forbedre fiskevelferden i norsk lakseoppdrett. I denne oppgaven er laksens aktivitet tatt for seg som en mulig adferdsindikator, satt opp mot en lydmiljøindikator som detekterer støy, natt og fôring. Oppgaven er formet som en mulighetsstudie der det forskes på om det i det hele tatt er mulig å detektere aktivitet, fôring, natt og støy blant laks i merder ved bruk av akustisk signalbehandling og maskinlæring. Et slikt sensorsystem skal kunne varsle om unormal aktivitet, i tillegg til å si om det for eksempel har vært en unormal lyddag med mye støy. Det ble produsert én lydmiljøindikator og 24 aktivitetsindikatorer, basert på ulike kombinasjoner av digitale signalbehandlingsmetoder og maskinlæringsalgoritmer.

There is often several cages in a salmon farm, where each cage can have up to 200,000 salmon at a time. High biomass density and changed environment during operations can affect the fish's welfare due to stress or mortality, among other things. This master's thesis is given by SINTEF Ocean where the purpose is to explore possible status indicators with a focus on improving fish welfare in Norwegian salmon farming. In this task, the salmon's activity is considered as a possible behavior indicator, set up against a sound environment indicator that detects noise, night and feeding. The thesis is shaped as a feasibility study where it is researched whether it is at all possible to detect activity, feeding, night and noise among salmon in cages using acoustic signal processing and machine learning. Such a sensor system should be able to warn of abnormal activity, in addition to saying whether it has, for example, been an abnormal sound day with a lot of noise. One sound environment indicator and 24 activity indicators were produced, based on different combinations of digital signal processing methods and machine learning algorithms.