Undersøkelse av den vertikale distribusjonen hos nauplii (Lepeophtheirus salmonis) ved hjelp av kunstig intelligens: en casestudie
Abstract
Norge er den globalt største produsenten av Atlantisk laks (Salmo salar). En av de største utfordringene ved produksjon i åpne merder er ektoparasitten lakselus (Lepeophtheirus salmonis). Dette problemet har gitt både biologiske og økonomiske tap for oppdrettsnæringen, til tross for at det finnes flere metoder for å forhindre og fjerne lakselus. En forståelse av dybdefordelingen til lakselus er sentralt for å videreutvikle behandlingsstrategier for å beskytte både oppdretts- og villfiskbestander mot lakselus.
I denne studien har det blitt gjennomført innsamling av planktonprøver ved en kommersiell oppdrettslokalitet for laksefisk på Gudmundset, ved hjelp av pumpe og planktonhåv. Det ble pumpet vann fra 2 meters dybde i og utenfor merd, samt 10 meter og 20 meter utenfor merd. Sammenlagt ble det tatt 28 prøver. Prøvene ble innhentet 26.02.24-27.02.24 i tidsrommet 20:50-12:10. Prøvene har, ved hjelp av kunstig intelligens, blitt analysert og behandlet for å kartlegge hvor i vannsøylen det er høyest konsentrasjon av nauplii. Et flow-system ble benyttet for å filme prøvene før videoene ble analysert ved hjelp av YOLOv8n, en avansert modell for objektgjenkjenning innen kunstig intelligens. Videoene ble analysert av YOLOv8n i to separate gjennomkjøringer for å vurdere modellens evne til deteksjon av lakselus. Nøyaktigheten ble satt til 10 % og 60 %, der lavere prosent ga flere identifikasjoner, men en betydelig økning i falske positiver.
Alle nauplii som ble identifisert befant seg på 2 og 10 meters dybde. 66,6 % av alle nauplii ble funnet på dybde 2 meter i merd. Det ble identifisert lus på alle tidspunkt med unntak av kl.12:10. Modellen identifiserte 23 mer nauplii med en nøyaktighet på 10 % sammenlignet med 60 %. Resultatene fra forsøket kan benyttes til å videreutvikle YOLOv8n slik at forekomsten av falske positiver reduseres samtidig som samtlige nauplii identifiseres. Det anbefales videreføring av arbeidet for å få en tydeligere forståelse av vertikalfordelingen av lakselus. Norway is the worlds´s largest producer of Atlantic Salmon (Salmo salar). One of the major challenges in open cage production is the ectoparasite salmon lice (Lepeophtheirus salmonis). This problem has caused both biological and economic losses for the aquaculture industry, despite the fact that there are several methods to prevent and remove salmon lice. Understanding the depth distribution of salmon lice is essential for developing treatment strategies to protect both farmed and wild fish stocks against salmon lice.
In this study, plankton samples were collected at a commercial salmon farming site at Gudmundset, using a pump and a plankton net. Water was pumped from a depth of 2 meter inside and outside the cage, as well as 10 meters and 20 meters outside the cage. A total of 28 samples were taken. The samples were collected on 02.26.24-02.27.24 in the time period 8:50 PM - 12:10 PM. The samples have been analyzed and processed using artificial intelligence to map where in the water column the highest concentration of nauplii is located. A flow system was used to film the samples before the videos were analyzed using YOLOv8n, an advanced model for object recognition in artificial intelligence. The videos were analyzed by YOLOv8n in two seperate runs to assess the model´s ability to detect salmon lice. The confidence was set to 10 % and 60 %, where lower percentage gave more identifications, but resulted in a significant increase in false positive.
All nauplii that were identified were at a depth of 2 and 10 meters. 66.6 % of all nauplii were found at a depth of 2 meters in cages. Lice were identified at all times, except 12:10 PM. The model identified 23 more nauplii with 10 % accurecy compared to 60 %. The results from the experiment can be used to further develop YOLOv8n to reduce the occurence of false positives while identifying all nauplii. It is recommended to continue this work to gain a clearer understanding of the vertical distribution of sea lice.