Machine Learning for Automatically Counting Growth-Stunted Fish in Sea Cages

Abstract

Lakseoppdrettsmerder inneholder ofte et stort antall veksthindrede fisk omtalt som "taperfisk". Tilstedeværelsen av taperfisk kan indikere utilstrekkelige velferdsfaktorer eller sykdommer. Ved å overvåke forekomsten av taperfisk kan disse velferdsproblemene bli identifisert og adressert. Foreløpig overvåking av taperfisk utføres hovedsakelig manuelt. Formålet med denne studien er å designe, utvikle og validere en maskinlæringsløsning for automatisk overvåking av mengden taperfisk i fiskemerder. Datasettet som brukes i denne studien består av bilder som viser frisk og taper laks fra fiskemerder. Fisk i disse bildene er detektert ved å bruke en objektdetekteringsalgoritme, med en forhåndstrent fiskedetekteringsmodell. Detekterte fisk blir deretter klassifisert i kategorier (frisk eller taper fisk). Antallet fisk klassifisert som taperfisk blir identifisert og telt. Den undersøkte maskinlæringsløsningen i denne studien betrakter bruken av et konvolusjonelt nevralt nettverk for å redusere overflødighet i dataen, hovedkomponentanalyse for dimensjonsreduksjon, grid search for å finne beste konfigurasjoner av forskjellige klassifiseringsalgoritmer og kombinasjoner av disse klassifiseringsalgoritmene. For å optimalisere disse kombinasjonene blir mangfoldet mellom klassifiseringsalgoritmene undersøkt. Denne studien har resultert i et rammeverk som kan detektere flere fisk fra bilder i en fiskemerd, og oppdage 74.5% av de samme fiskene som er oppdaget i referensedataen og klassifisere hver av de detekterte fiskene med en nøyaktighet på 92.9%. Den foreslåtte løsningen er et lovende verktøy for å øke fiskevelferden, med en bedydelig forbedring fra manuell telling angående effektivitet og pålitelighet.

Sea cages used for salmon farming often contain a large amount of growth-stunted ("loser") fish. The presence of loser fish might indicate insufficient welfare factors or diseases. By monitoring their occurrence, these welfare problems can be identified and addressed. Current monitoring of loser fish in sea cages is mostly performed manually. The objective of this study is to design, develop, and validate a machine-learning solution for automatically monitoring the amount of loser fish in sea cages. The dataset used in this study consists of images depicting healthy and loser salmon from a sea cage. Fish in these images are detected using an object detection algorithm, with a pre-trained fish detection model. Detected fish are then classified into classes (healthy or loser fish). The number of fish classified as loser fish is identified and counted. The machine learning solutions investigated in our study consider the use of a convolutional neural network feature extractor, principal component analysis for dimensionality reduction, grid search for defining the best configuration of different classification algorithms, and combinations of those classification algorithms. In order to optimise these combinations, the diversity between the classification algorithms is also investigated. This study has resulted in a framework able to detect multiple fish from images in a sea cage, detect 74.5% of the fish detected in the ground-truth, and classify each of the detected fish with an accuracy of 92.9%. The proposed solution is a promising tool for increasing fish welfare, with a significant improvement from manual counting in terms of effectiveness and reliability.