Measurement of density and stage distribution of copepods

Abstract

C-Feed er et selskap basert i Vanvikan i Trøndelag, Norge. De produserer hoppekreps av arten Acartia tonsa. Selskapet selger Acartia tonsa egg som er klare for klekking på kundens anlegg. Kundene bruker Acartia tonsa som levende fôr til marine fiskelarver. Dette fordi copepodene inneholder viktige næringsstoffer.

Ved C-Feeds anlegg i Vanvikan bruker flere svært kompetente ansatte en stor del av arbeidsdagen sin på å, igjennom et mikroskop, telle populasjonen av hoppekreps for å beregne konsentrasjonen av en prøve. De måler også lengden på disse hoppekrepsene og beregner gjennomsnittslengden av prøven. Dette er en tidkrevende og slitsom prosess. Denne avhandlingen er et arbeid mot målet om å automatisere disse tidkrevende prosessene ved å utvikle programvare som gir en foreslått fordeling av utviklingsstadiene i en prøve basert på lengden til hoppekrepsene. Det er også et mål å beregne konsentrasjonen av hoppekreps i en prøve.

For datainnsamling og avbildning av hoppekrepsprøver, skaffet C-Feed et digitalt mikroskop utviklet for avbildning av plankton kalt PlanktoScope. Denne enheten ble forsket på og eksperimentert med for å bli kjent med enhetsen evner og begrensninger før den ble tatt i bruk for datainnsamling.

Neurale nettverk blir brukt som filtre for å klassifisere objektene i bildene fra PlanktoScope. Igjennom to filtre som arbeider sekvensielt, fremhves kroppene til hoppekrepsene. Her er målet å eksludere så mye som mulig av ekstremitetene. Bildene av kroppene forberedes for å bli klassifisert til ett av fjorten utviklingsstadier. Dette gjøres ved at bildene av hoppekrepsenes kropper sendes inn i en algoritme for å beregne lengden deres. Lengden er den verdien som brukes til å foreslå en individuel hoppekrepses utviklingsstadie. For å beregne konsentrasjonen av en prøve fra produksjonstankene, brukes bare det første filteret. Sammen med en kjent variabel for avbildet volum, beregnes konsentrasjonen av hoppekreps i en prøve ifra antall bilder klassifisert i de fire hoppekrepsklassene.

Resultatene fra avhandlingen viser at bruk av maskinlæring sammen med en lengdeberegningsalgoritme er en god løsning på C-Feeds problem. Resultatene viser også at algoritmene produserer tilfredsstillende resultater for fordeling av utviklingsstadier og konsentrasjon.

C-Feed is a company based in Vanvikan in Trøndelag, Norway. They produce copepods of the species Acartia tonsa. The company sells Acartia tonsa eggs ready for hatching at the costumers facilities. The costumers use the Acartia tonsa as live feed for marine fish larvae as it contains essential nutrients.

At C-Feeds facilities in Vanvikan multiple highly competent employees use a large part of their workday looking into a microscope, counting the population of copepods and calculating the concentration of a sample. They also measure the lengths of these copepods and calculate the mean length of the sample. This is a time consuming and tiring process taking up the time of competent employees. This thesis is a work towards the goal of automating these time consuming processes by developing software that outputs a suggested stage distribution based on the length of the copepods and the concentration of copepods in a sample.

For data collection, imaging of copepod samples, C-Feed acquired a digital microscope developed for imaging of plankton called PlanktoScope. This unit was researched and experimented with in order to fully know its abilities and limitations before it was put to use for data collection.

Neural networks are used as filters for classifying the objects in the PlanktoScopes images. Through two filters working sequentially the bodies of the copepods, excluding as much of the extremities as possible, are filtered through and prepared for classifying into one of fourteen development stages. This is done by the images of the copepods bodies being input into an algorithm for calculating their length. The length is the value used to suggest an individual copepods development stage. For calculating the concentration of a sample from the production tanks only the first filter is used. Together with a known variable of the imaged volume the concentration of copepods in a sample is calculated from the number of images classified into the four copepod classes.

The thesis' results show that using machine learning together with a length calculation algorithm is a viable and time reducing solution to C-Feeds problem. The results also shows that the algorithms produce satisfying results for the stage distributions and concentration.