Developing a deep learning pipeline for automated salmon welfare analysis by respiration frequency

Abstract

Lakseoppdrett blir stadig viktigere i den globale næringskjeden, noe som nødvendiggjør en dyp forståelse av hvordan interne tilstander i laks som påvirker dennes velferd og økonomiske verdi manifesterer seg gjennom ytre trekk, slik at utilstrekkelige forhold kan avdekkes og utbedres. I denne oppgaven er et enkelt ytre trekk ved laks, ventilasjonsfrekvens, belyst i detalj for å undersøke hvordan denne fysiologiske parameteren kan informere om tilstanden til laks i tanker og merder.

For å kunne undersøke denne egenskapen enkelt og automatisk ble en algoritme utviklet for å estimere ventilasjonsfrekvensen til individuelle laks fra et videoopptak. Ved hjelp av moderne metoder for dyp læring ble denne algoritmen i stand til å lokalisere og spore laks, estimerer disses munnåpning for å beregne ventilasjonsfrekvensene deres, og identifiserer hvilket unike lakseindivid den lokaliserte fisken tilhørte.

Denne ventilasjonsestimeringsalgoritmen for laks ble brukt til å analysere data fra et stresseksperiment da den var ferdig utviklet, noe som avdekket at laksens ventilasjonsfrekvens øker som respons på forstyrrelser og redusert oksygenmetning i vann, og at individuelle laks viser konsistente respirasjonsmønstre over timer og uker.

Ved å observere ventilasjonsestimeringsalgoritmens evne til å bestemme laksens velferd i et stresseksperiment, kan det konkluderes med at metoden er i stand til automatisert evaluering av velferd hos laks gjennom analyse av respirasjonsfrekvens.

Salmon farming is becoming increasingly important in the global food chain, which necessitates a deep understanding of how internal salmon states relevant for production yield and welfare is evinced externally on salmon, in order to facilitate real-time detection of inadequate conditions. In this thesis, one particular external trait of salmon, ventilation frequency, is elucidated in great detail to evaluate how it can inform on the condition of salmon in tanks and net pens.

To allow for easy and automatic extraction of this trait, a complete pipeline capable of estimating ventilation frequency of individual salmon from a video recording is developed. By the use of State Of The Art deep learning methods, the algorithm is capable of detecting and tracking salmon, estimating mouth poses in order to calculate ventilation frequency, and determining the unique salmon individual a fish belongs to.

Upon completion of the salmon ventilation frequency extraction method, it was applied to data from a salmon stress experiment, unveiling that salmon ventilation frequency increase in response to reduced dissolved oxygen content or disturbances, and that individual salmon show consistent respiration patterns across hours and weeks.

By observing the capability of the constructed salmon ventilation frequency pipeline to discern salmon welfare trends in a stress experiment, it can be concluded that the method is capable of automated evaluation of a salmon welfare indicator.