Challenges and opportunities of underwater image analysis for lice counting and welfare assessments of Atlantic salmon (Salmo salar) during the sea-phase

Abstract

Havbruksnæringen har i lang tid vært anerkjent som en industri med potensial til å møte fremtidens behov for høyere matproduksjon, og den norske oppdrettsnæringen har vært i sterk vekst de siste tiårene. Til tross for de positive utsiktene døde 54 millioner oppdrettslaks (Salmo salar) i 2021 under sjøfasen før slakt, noe som representerer et problem for både fiskevelferd og bærekraft. Å øke kunnskapen om velferden til laks i sjøfasen gjennom vurdering av operative velferdsindikatorer (OVIs) vil kunne bidra til å redusere dødeligheten og gi oppdretter en status på velferden i merden. Flere indikatorer er tilgjengelige for å vurdere velferden til Atlantisk laks i sjøfasen, både som individuell fisk og som gruppe. Den tradisjonelle metoden for velferdsvurderinger er knyttet til flere utfordringer, blant annet gjennom tidkrevende arbeid, indusert stress, og utfordringer med å hente ut et representativt utvalg av populasjonen i merden. Utvikling og bruk av maskinsyn for å utføre vurderinger på undervannsbilder kan være en måte å møte de nevnte utfordringene og eventuelt oppdage en reduksjon i velferden tidligere enn det som er mulig i dag. Likevel er ikke disse metodene for å vurdere velferd ferdig utviklet og er fortsatt i tidlig fase, og mangelen på dokumentasjon og validering av teknologien understreker ytterligere behovet for objektive vurderinger av teknologien for å kunne øke eller forbedre velferdsvurderinger.

Denne studien utførte velferdsvurderinger på fisk ved tradisjonell, fysisk prøvetaking, og ved automatisk og manuell bildeanalyse. Målet var å undersøke hvilke operasjonelle velferdsindikatorer som egner seg til å bli undersøkt ved bruk av bildeanalyse, hvordan lysforhold kan påvirke resultatene av velferdsvurderingen, om de ulike analysemetodene er representative for populasjonen, og hvordan en trent modell presterte ved vurdering av undervannsbilder. Resultatene tyder på at noen operative velferdsindikatorer er bedre egnet enn andre for bildeanalyse, og at lysforhold kan påvirke velferdsvurderingen fra bilder til en viss grad. Bildeanalyse gir flere fordeler sammenlignet med tradisjonell fysisk prøvetaking, og muliggjør innsamling av et omfattende antall fisk som kan være mer representative enn andre prøvetakingsmetoder. Studien foreslår retninger for videre forskning for å adressere begrensningene til den nåværende studien, og for å utvide forståelsen av dette området innen havbruk. For eksempel standardisering av datasett for treningsmodeller og undersøkelse av hvordan resultatene fra velferdsvurderingen endres avhengig av laksens naturlige atferd.

The aquaculture industry has for a long time been recognized as an industry with the potential to meet the future need for higher food production and the Norwegian aquaculture industry has been growing rapidly over the last decades. Despite the positive lookouts, 54 million farmed Atlantic salmon (Salmo salar) died in 2021 during the sea phase before slaughter, which represents both a welfare and a sustainability issue. Increasing knowledge on the welfare of salmon during the sea phase through assessment of operational welfare indicators (OWIs) could contribute to reducing the mortalities and give the farmer a measure of the welfare in the net pen. Several indicators are available to assess the welfare of Atlantic salmon, both as individual fish and as a group, during sea phase of the production. The traditional method for welfare assessments is linked to several challenges, including laborious and time-consuming work, induced stress, and challenges in sampling a representative sample of the population in the net pen. Development and use of machine vision to perform assessments on underwater images could be a way of meeting the mentioned challenges and possibly to detect a reduction in welfare earlier than what is possible today. Nevertheless, these methods for assessing welfare are not fully developed and are still in the early stages. In addition, the lack of documentation and validation of the technology further emphasizes the need for objective assessments of the technology to be able to increase or improve welfare assessments.

The present study performed welfare assessments on fish by traditional, physical sampling, and by automatic and manual image analysis. The aim was to investigate which operational welfare indicators are suitable to be investigated using image analysis, how light conditions could impact the results of the overall welfare assessment, if the different methods of analysis are representative for the population, and how a trained model performed when assessing underwater images. Results suggest that some operational welfare indicators are better suited than others for image analysis, and that light conditions can impact the welfare assessment from images to a degree. Image analysis provides several benefits compared to traditional, physical sampling, and enables collection of extensive samples sizes which may be more representative than other sampling methods. The study suggests directions for further research to address the limitations of the current study and to expand the understanding of this area within aquaculture, such as standardizing datasets for training models and investigating how the OWA changes dependent on the natural behavior of salmon.