Characterization of behaviour in tank rearing of salmon using machine vision and machine learning

Automatisk klassifisering av lakseadferd er en etterspurt løsning i oppdrettsindustrien. God klassifisering vil hjelpe med tidlig deteksjon av uønskede situasjoner, som f. eks spredningen av en sykdom eller H2S opphopning. I dag er de fleste av disse klassifiseringsprosessene utført gjennom manuell inspeksjon, noe som medfører at de er utsatt for subjektive oppfatninger. Spesielt i mørket, er det å klassifisere tilstanden i et oppdrettskar en vanskelig oppgave. Adferdsendringer kan være subtile og vanskelig å oppdage. Som en konsekvens, søker oppdrettsnæringen bedre og mer pålitelige overvåkingssystem. De siste årene har vist as Dyp Læring er et ypperlig verktøy for både handlingsgjenkjenning og segmentering av objekter i bilder. I denne masteroppgaven utforsker vi mulighetene for automatisk karakterisering av lakseadferd i oppdrettskar gjennom maskinsyn og maskinlæring. Vi utvikler et Mask R-CNN[12] nettverk som klarer å segmentere laksesmolt i bilder. Gjennom så å fôre segmenteringen gjort av nettverket gjennom en algoritme, SORT[3], som kan tracke flere objekter samtidig klarer vi effektivt å tracke laksesmolt i videosekvenser. Resultatene blir brukt i metoder for utregning av hastighet, akselerasjon, vertikale- og horisontale bevegelser. Resultatene våre viser at oppsettet vårt klarer å genere kjennetegn ved adferden som gjør det mulig å skille adferdsklasser fra hverandre. Gjennom visualisering av statistikk, klarer vi effektivt å oppdage avvik i data fra et datasett som inneholder skremt fisk når man sammenligner det med et normalt datasett. Vi håper resultatene i denne masteroppgaven vil bidra i utviklingen av automatiserte overvåkings- og støttesystem i oppdrettsnæringen. Framtidig arbeid utover resultatene i denne oppgaven, angår forbedringer av Mask R-CNN, samt utvikling av en automatisk tilnærming for å finne avvik i den genererte karstatistikken