Next Generation Phenotyping: AI assisted selective Breeding of a Less Aggressive European Lobster
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3097125Utgivelsesdato
2023Metadata
Vis full innførselSamlinger
Beskrivelse
Full text not available
Sammendrag
Den europeiske hummeren er svært ettertraktet over hele Europa og ansett som en kulinarisk delikatesse. Dessverre, med synkende bestander og nesten ingen kommersiell produksjon, forblir etterspørselen uoppfylt. Det har blitt gjort forsøk på kommersiell oppdrett, og kun nylig har det vært noen bemerkelsesverdig suksess. Et norsk selskap har funnet en måte å avle frem hummer i individuelle basseng, en tilnærming som er nødvendig på grunn av hummerens aggressive og kannibalistiske natur. På grunn av behovet for å håndtere hvert enkelt bassengs akvakultur, har dette vist seg å være svært dyrt, og det er ikke like skalerbart som oppdrett i et felles basseng. Oppdrett av hummer i et felles basseng er ennå ikke levedyktig, da hummeren er både svært aggressiv og kannibalistisk. Dette fører til mangel på tilbudssiden, og høye markedspriser.
En potensiell løsning på dette problemet kan være selektiv avling av hummeren. Ved å konsentrere oss om å avle hummer som viser liten til ingen tegn på aggresjon, kan vi eliminere behovet for dyre individuelle basseng og øke produksjonen dramatisk. Denne innovative metoden kan fundamentalt endre kommersiell oppdrett av hummer, og gjøre det både mer skalerbart og lønnsomt.
For å automatisere prosessen med atferdsfenotyping, utviklet NTNU et system som tar nytte av nyere utvikling innen datasyn og maskinlæring. Dette systemet er designet for å identifisere aggressive hummer via video. Systemet er utstyrt med en laser montert på en robot, kameraer og avansert software, noe som muliggjør fenotyping og fjerning av aggressive hummere i sanntid.
Systemets resultater er ikke uten mangler, og for å oppnå et produksjonsklart system, trengs det fortsatt forbedringer. Denne avhandlingen fungerer som den andre iterasjonen av systemet. Målet er å forbedre systemets tracking kapabiliteter, samt deteksjonen av aggressive hummere ved å utnytte nye AI-rammeverk og den sekvensielle naturen av video. The European lobster is highly sought after across Europe and revered as a culinary delicacy. Unfortunately, with declining wild stocks and minimal commercial production, the demand for this delectable shellfish remains largely unfulfilled. Commercial farming attempts have been made, but only recently has there been any noteworthy success. A Norwegian company has found a way to farm lobsters in individual compartments, an approach necessitated by the lobster's aggressive and cannibalistic nature. Due to the need to manage each compartments aquaculture, this have proved very costly, and is not scalable as communal farming. Farming the lobsters in a shared space is not yet viable, as the lobster is both very aggressive and canibalistic. This leads to marked shortage and high market prices.
A potential resolution to this issue may be found in selective breeding. By concentrating on breeding lobsters that show little to no signs of aggression, we could eliminate the need for costly individual compartments and dramatically increase production. This innovative method could fundamentally change the commercial lobster farming industry, making it not only feasible but also immensely profitable.
In order to automate the process of behavioral phenotyping, NTNU devised a system that takes advantage of recent developments in computer vision and machine learning. This system is designed to identify aggressive lobsters through video input. The system is equipped with a laser mounted on a robot, cameras and advanced software, enabling the real-time phenotyping and removal of aggressive specimens.
Nevertheless, the results were not flawless, and to achieve a production-ready system, enhancements needed and still need to be made.
This thesis serves as the second iteration of the system. The aim is to improve the tracking capabilities of the system, as well as the aggressive interaction detection by leveraging new AI-frameworks as well as the sequential nature of the video data.