In situ biomass estimation of cultivated kelp using RGB imagery

Abstract

Global produksjon i makroalgeoppdrett utgjør over en fjerdedel av total oppdrettsproduksjon, med et produksjonsvolum på opptil 35.1 millioner tonn i 2020. I Norge er det stadig økt innsats for å utvikle makroalgeoppdrett til en ny bioøkonomi. Produksjon er basert på to tarearter, Saccharina latissima og Alaria esculenta, grunnet deres høye vekstrater. Dog, norsk makroalgeoppdrett er ikke lønnsomt, og er en små-skala industri. Overvåking av biomasse er en av prosessene som i dag er unøyaktig, tidkrevende, arbeidskrevende og destruktivt. Dermed er automatisert overvåking av biomasse identifisert som en av de viktigste innovasjonsbehovene. Parallelt har det vært en rask utvikling de siste årene relatert til bruk av undervannsrobotikk og bildeprosesseringsteknikker. Toppmoderne teknologi er bredt utforsket og anvendt i marine operasjoner. Dermed er det et potensial i å anvende nye metoder for overvåking av kultivert tare. Målet med denne studien var å undersøke konseptbevis for in situ biomasseestimering av kultivert tare. The foreslåtte konseptet var å bruke undervanns RGB-bilder og datasynteknikker for å estimere areal som en proxy for biomasse. For å undersøke konseptbevis, var hovedmålet å ha en innledende vurdering av: 1) Sentrale miljøfaktorer som kan påvirke kvaliteten på undervanns RGB-bilder av tare. 2) Gjennomførbarheten til å utlede kvantifiserbar størrelsesinformasjon om tare fra undervanns RGB-bilder. 3) Gjennomførbarheten til å bruke datasynutledede arealestimat som en robust proxy for tarebiomasse. Vi fant at bildekvalitet var i stor grad korrelert med fytoplanktonbiomasse i vannet, og at oppblomstringer resulterte i lavere kvalitet. Vårt arbeid indikerte videre at turbiditet, muligens i form av oppløst materiale (TSM), forsterker den negative effekten. Riktignok ser den ut til å ha mindre viktighet i studieområdet. Nøyaktigheten på arealdeteksjon var påvirket av bildekvalitet. Imidlertid var faktorer som distanse mellom kamera og taren, og tarebevegelse grunnet vannbevegelse, av betydning. Som et resultat foreslår vi at tareoppdrettere bør søke å forstå og overvåke miljøfaktorer. Vårt arbeid indikerte høy gjennomførbarhet til p utlede meningsfull størrelsesinformasjon om tare fra menneskeovervåket annotering, stor sett uavhengig av observert bildekvalitet. Det var også mulig å utlede datasynutledet arealestimat av høy nøyaktighet. Riktignok var metoden noe sensitiv for bildekvalitet. Samlet indikerte dette at undervanns RGB-bilder er et passende konsept for biomasseestimering av tare. Vi fant et sterkt forhold mellom datasynutledet arealestimat og reelle vektmål, noe som indikerte gjennomførbarheten til areal som robust proxy tarebiomasse. Dessuten, å bruke arealestimering som proxy for biomasseestimering har fordelen av å forenkle både datainnsamling og -prosessering. Derfor foreslår vi videre forskning basert på å bruke arealestimering fra undervanns RGB-bilder for å bygge en modell for nøyaktig biomasseovervåking på lokalitetskala. En fremtidig ordning for lokalitetsskala overvåking kan være basert på autonom innhenting av bilder og miljødata, og sanntid biomasseestimering og prediksjon med maskinlæringsteknikker.

Global seaweed aquaculture production makes up over one quarter of the total aquaculture production, with a production volume up to 35.1 million tons in 2020. In Norway, there is an increasing effort towards developing seaweed aquaculture as a new bioeconomy. Production is based on two kelp species, Saccharina latissima and Alaria esculenta, due to their high growth rates. However, Norwegian seaweed aquaculture is not profitable and is a small-scale industry. Biomass monitoring is one of the processes that today is inaccurate, time-consuming, labor-intensive and destructive. Hence, automated biomass monitoring is identified as one of the principal innovation needs. Parallelly, there has been a rapid development in recent years related to the use of underwater robotics and image processing techniques. State-of-the-art technology is widely researched and applied in marine operations. Hence, there is potential to apply new methods for monitoring of cultivated kelp. The aim of this study was to investigate proof of concept for in situ biomass estimation of cultivated kelp. The proposed concept was to use underwater RGB imagery and computer vision techniques to estimate area as a proxy for biomass. In order to investigate proof of concept, the main goal was to have a preliminary assessment of: 1) Key environmental factors that might affect the quality of underwater RGB imagery of kelp. 2) The feasibility of deriving quantifiable size information about kelp from underwater RGB imagery. 3) The feasibility of using computer vision-derived area estimation as a robust proxy for kelp biomass. We found that image quality was highly correlated with phytoplankton biomass in the water, with blooms resulting in lower quality. Our work further indicated that turbidity, possibly in the form of suspended matter (TSM), reinforced the negative effect, albeit appearing to have less importance in the study area. Accuracy of area detection was impacted by image quality. However, factors such as distance between camera and the kelp, and kelp movement due to water movement was of importance. As a result, we propose that kelp farmers should seek to understand and monitor environmental factors. Our work indicated high feasibility of deriving meaningful size information about kelp from human-supervised annotation, mostly independent of observed image quality. It was also possible to derive computer vision-derived area estimation of high accuracy, albeit the method was somewhat sensitive to image quality. Together, this indicated that underwater RGB imagery is a suitable concept for biomass estimation of kelp. We found a strong relationship between computer vision-derived area estimates and ground-truth weight measurements, indicating the feasibility of area as robust proxy for kelp biomass. Furthermore, using area estimation as proxy for biomass estimation, had the advantage of simplifying both data collection and processing. Hence, we propose further research based on using area estimation from underwater RGB imagery to build a model for accurate biomass monitoring at farm-scale. A future scheme for farm-scale monitoring could be based on autonomous collection of imagery and environmental data, and real-time biomass estimation and prediction with machine learning techniques.