Bruk av videosystem og KI for å finne lakseluslarver i ferske planktonprøver
Abstract
Lakselusen koster oppdrettsnæringen mange milliarder i året og dreper både villaks og oppdrettslaks. Det har blitt utviklet en spredningsmodell for lakselus som brukes for å finne steder med høyt smittepress. Spredningsmodellen blir også brukt som verktøy for regulering av trafikklyssystemet. Hensikten med trafikklyssystemet er å overvåke og begrense utvikling av lakselus i norskekysten. Hvorvidt spredningsmodellen reflekterer virkelighet, er vanskelig å si. Det er samlet lite data fra lakseluslarver i frie vannmasser som kan være med på å teste spredningsmodellens estimater. Foreløpig er det ingen effektive metoder for å analysere store kvantum med filtrert sjøvann. Dette er nødvendig for å kunne kartlegge omfang av luselarver i et bestemt område. I denne oppgaven ble det benyttet to videosystemer som filmet planktonprøver i et flowsystem, hvor kunstig intelligens som var trent på å gjenkjenne nauplier og kopepoditter i planktonprøver analyserte videofilmene.
To feltforsøk ble utført rundt lokaliteten Gudmundset, Møre og Romsdal. Totalt ble ca. 400m3 sjøvann filtrert fra feltforsøkene. Dårlig bildekvalitet av prøver fra første feltforsøk gjorde disse resultatene vanskelig å evaluere. Bildekvalitet og tetthet i prøvene ble forbedret i andre feltforsøk. Av 12 ulike prøver rundt et oppdrettsanlegg ble fire nauplier funnet. Resultatene indikerer at gjenkjenningsmodellen trenger mer treningsdata av nauplier og kopepoditter i utfordrende omstendigheter. På det meste ble det funnet 0.66 nauplier/m2 fra en prøve. Egne funn og funn fra annen bachelor gruppe ble brukt for sammenligning med lakseluskartets estimater. Mye større volum måtte blitt filtrert for å kvantifisere forskjeller i luselarvetettheter som ble hentet i vinterperioden med lave tettheter. The salmon lice costs the Norwegian farming industry several billions a year, killing both wild and farmed salmon. Hence, a dispersion model has been developed to track the salmon lice and places with high infection pressure. The dispersion model also acts as a tool for regulating the traffic light system. The purpose of the traffic light system is to monitor and limit the spread of salmon lice in the Norwegian coastal area. Whether this dispersion model reflects reality is hard to say. It has been collected few datapoints from salmon lice larvae in free bodies of water which can test the estimates of the dispersion model. Meanwhile there is no effective methods of analyzing big quantities of filtered sea water. This is necessary to be able to map the extent of sea lice in a specific area. In this bachelor thesis two video systems were used to record plankton samples in a flow system, where artificial intelligence trained to detect nauplii and copepodids in plankton samples analyzed these recordings.
Two field trials were conducted by the salmon farm of Gudmundset, More and Romsdal. In total 400m3 of sea water was filtered from the field trials. Bad image quality from the first field trial made the results from the following samples hard to evaluate. Image quality and planktonic densities were improved during the second field trial. From 12 different samples nearby a salmon farm, four nauplii were found. The results indicate that this image detection model needs more training from nauplii and copepodids from challenging circumstances. At most there were found 0.66 nauplii/m2 from one sample. This study`s findings and also findings from another bachelor group were used to compare with the estimates of the dispersion model. Significantly bigger volumes of sea water was needed to be filtered to quantify the differences in salmon lice larvae densitites in the winter period with consequently lower densities.