dc.contributor.advisor | Føre, Martin | |
dc.contributor.advisor | Solvang, Torfinn | |
dc.contributor.author | Haugen, Ingvild Rustad | |
dc.date.accessioned | 2023-09-29T17:22:41Z | |
dc.date.available | 2023-09-29T17:22:41Z | |
dc.date.issued | 2023 | |
dc.identifier | no.ntnu:inspera:140443607:34570380 | |
dc.identifier.uri | https://hdl.handle.net/11250/3093224 | |
dc.description.abstract | Denne masteroppgaven er utarbeidet med hensikt å bidra til å lage en fotoboks for analyse av dødfisk
ved hjelp av datasyn fra oppdrettsanlegg for laks. Dagens forskning har i liten grad viet oppmerksomhet
til dypere datasynsanalyse av dødfisk. Derfor tar denne oppgaven sikte på å fylle dette gapet
i den eksisterende litteraturen. Data ble samlet inn ved hjelp av feltarbeid på to ulike anlegg langs kysten i Trøndelag og bildene ble analysert ved hjelp av datasyn. Indvidene som ble fotografert bar preg av vintersår, som er et kjent problem i vinterhalvåret i oppdrettsnæringen, da bakteriene som forårsaker plagen trives best
ved lave havtemperaturer. Prosjektet ble derfor rettet mot å segmentere vintersår på død laks for å
innhente videre informasjon om sykdommen. Dataen ble annotert for å danne et komplett datasett
for trening av enmodell for segmentering av vintersår. Modellen ble implementert, trent og testet.
Oppgaven begynner med å presentere teorien bak oppdrettsnæring og datasynmetoder brukt for
analyse av sykdom i oppdrettsnæring belyst. Deretter presenteres konsepter og teori som er relevante
for prosjektet. Følgende blir metodene og implementasjonen av koden presentert og valg blir
begrunnet. Deretter blit eksperimentene for å finne den beste modellen og resultatene presentert. Til
slutt diskuteres valgene som ble tatt under prosjektet og hvordan det kan jobbes videre for å utvikle
en fungerende fotoboks for dataanalyse av dødfisk. De beste resultatene i oppgaven var en IoU score på 74,24% og en F1 score på 81,60% for segmentering av vintersår. Oppgaven konkluderer med at metodene som ble brukt er passende for å segmentere vintersår hos laks fra oppdrettsanlegg og kan fungere som en basis for videre utvikling av den fremtidige løsningen. | |
dc.description.abstract | This master's thesis contributes to the development of a photobox designed for computer vision analysis
of deceased salmon in aquaculture. It addresses a gap in the existing literature by providing deeper
insights into the analysis of deceased fish, an area that has received limited attention in previous research.
Data were collected from two locations in the coastal area of Trøndelag, and computer vision techniques
were used to analyze the acquired images. The prevalence of winter ulcers in a significant
portion of the deceased fish prompted the decision to focus on capturing photographs of these cases.
Winter ulcers pose a well-known challenge in aquaculture, particularly during periods of low ocean
temperatures. The data was annotated, resulting in a complete dataset tailored for segmenting winter
ulcers. A model to segment the ulcers was implemented, trained and tested. The thesis begins by presenting the theoretical background of aquaculture and a review of the computer vision methods used for disease analysis in aquaculture. Subsequently, the concepts and techniques relevant to the project are introduced. The methods employed and the implementation details of the developed code are justified and described for reproducibility. The experiments to find the best model are presented along with the results of the best model. Finally, an evaluation of the project’s choices is conducted, along with a discussion on further steps necessary to create a functional photobox for computer vision analysis of fish. The result was a model which segmented winter ulcers, performing an IoU of 74,24% and an F1 score of 81,60%. The thesis concludes that the methods used in this thesis are suitable to segment winter ulcers in Atlantic Salmon. | |
dc.language | eng | |
dc.publisher | NTNU | |
dc.title | Computer Vision for Automatic Assessment of Fish Mortality Causes in Commercial Fish Farms | |
dc.type | Master thesis | |