Vurdering av metoder og teknologi for individbasert velferdsvurdering av oppdrettslaks

Abstract

Denne bacheloroppgaven undersøker hvordan manuell videoanalyse og kunstig intelligens (KI) kan forbedre velferdsvurderingen av atlantisk laks (Salmo salar) i oppdrettsnæringen, sammenlignet med tradisjonelle metoder. Oppdrett av atlantisk laks er en viktig næring i Norge, med en produksjon på 1,5 millioner tonn i 2022. Til tross for dette står næringen overfor betydelige utfordringer knyttet til fiskevelferd, inkludert høy dødelighet og helseproblemer.

Formålet med studien er å evaluere og sammenligne ulike metoder for velferdsvurdering for å identifisere fordeler og utfordringer ved hver tilnærming. Dette gjøres gjennom en grundig litteraturgjennomgang, en metodisk utført videoanalyse, og en diskusjon om fremtidsrettede teknologier, inkludert KI-baserte kamerasystemer. Litteraturgjennomgangen beskriver laksens livssyklus og fiskevelferd, vurderingsprotokoller og kunstig intelligens. Den manuelle videoanalysen bruker Laksvel-protokollen for å vurdere individbaserte velferdsindikatorer, noe som reduserer behovet for fysisk håndtering, men avdekker utfordringer knyttet til bildekvalitet og subjektivitet.

KI-baserte kamerasystemer representerer et betydelig fremskritt for velferdsvurdering. Disse systemene bruker avanserte kamerasystemer og smarte algoritmer for kontinuerlig overvåking av fiskevelferden uten å påføre fisken skade. De gir nøyaktige og konsistente vurderinger, reduserer behovet for fysisk håndtering, og muliggjør overvåking av et større antall fisk over tid. Dette gir oppdrettere en mer helhetlig og presis oversikt over fiskevelferden i merdene, og legger grunnlag for mer informerte beslutninger. Implementeringen av KI-teknologi krever imidlertid betydelige investeringer og teknisk kompetanse, samt regelmessig vedlikehold og kalibrering for å opprettholde nøyaktigheten.

Konklusjonen er at implementeringen av kunstig intelligens og maskinlæring i velferdsvurderingen av oppdrettslaks representerer en betydelig forbedring sammenlignet med tradisjonelle metoder. KI-baserte systemer gir mer pålitelige og konsistente data, forbedrer fiskevelferden på et generelt nivå og er tidsbesparende for røkterne. Teknologiske fremskritt innen kunstig intelligens og maskinlæring har potensial til å transformere oppdrettsnæringen ved å forbedre fiskevelferden ytterligere og øke bærekraften i produksjonen. Videre forskning bør fokusere på å optimalisere disse systemene og gjøre dem mer tilgjengelige for hele næringen. Dette inkluderer utvikling av kostnadseffektive løsninger, opplæring av kunder i bruk og vedlikehold av systemene, og kontinuerlig oppdatering av algoritmene basert på ny forskning og data.

This bachelor’s thesis investigates how manual video analysis and artificial intelligence (AI) can improve welfare assessment of Atlantic salmon (Salmo salar) in the aquaculture industry, compared to traditional methods. The farming of Atlantic salmon is a significant industry in Norway, with a production of 1.5 million tons in 2022. Despite this, the industry faces considerable challenges related to fish welfare, including high mortality and health problems.

The purpose of the study is to evaluate and compare different methods of welfare assessment to identify the advantages and challenges of each approach. This is done through a comprehensive literature review, a methodical video analysis, and a discussion of forward-looking technologies, including AI-based camera systems. The literature review describes the life cycle and welfare of salmon, assessment protocols, and artificial intelligence. The manual video analysis uses the Laksvel protocol to assess individual-based welfare indicators, reducing the need for physical handling, but revealing challenges related to image quality and subjectivity.

AI-based camera systems represent a significant advancement for welfare assessment. These systems use advanced camera technology and smart algorithms for continuous monitoring of fish welfare without causing harm to the fish. They provide accurate and consistent assessments, reduce the need for physical handling, and enable monitoring of a larger number of fish over time. This gives fish farmers a more comprehensive and precise overview of fish welfare in the pens and provides a basis for more informed decisions. However, the implementation of AI technology requires significant investment and technical expertise, as well as regular maintenance and calibration to maintain accuracy.

The conclusion is that the implementation of artificial intelligence and machine learning in the welfare assessment of farmed salmon represents a significant improvement compared to traditional methods. AI-based systems provide more reliable and consistent data, generally improve fish welfare, and save time for fish farmers. Technological advances in artificial intelligence and machine learning have the potential to transform the aquaculture industry by further improving fish welfare and increasing production sustainability. Further research should focus on optimizing these systems and making them more accessible to the entire industry. This includes developing cost-effective solutions, training customers in the use and maintenance of the systems, and continuously updating the algorithms based on new research and data.