Syv ting du må vite om maskinlæring i havbruk
Maskinlæring innebærer å la avansert programvare automatisere arbeidsoppgaver og gi bedre informasjon om tilstanden i oppdrettsanlegget. Lusetelling, estimering av vekt på fisken, vekstkurver og diagnose av helsetilstanden er noen av bruksområdene, og flere vil det bli.
Denne artikkelen er tre år eller eldre.
1. Hva er maskinlæring?
Maskinlæring er en form for kunstig intelligens. Det er en programvare, et nettverk av algoritmer, som kan trenes opp til å gjenkjenne og tolke mønster i bilder og datamengder. Teknologien bak er den samme som blir brukt i ansiktsgjenkjenning i sosiale medier, til å tolke trafikkbildet for selvkjørende biler – eller til å anbefale deg filmer og musikk på Spotify og Netflix ut fra dine tidligere valg.
2. Hva er forskjellen på vanlige programmer og maskinlæringsprogrammer?
I et vanlig dataprogram utføres en utregning på basis av data som blir tastet inn i programmet. I maskinlæring utvikler programmene og algoritmene seg etter hvert som de blir “trent” med nye sett av data. Det blir en form for mønstergjenkjenning, der algoritmene lærer seg hva de skal se etter. De får nye treningsdata sammen med korrigeringer på de svarene de har gitt tidligere, og kommer opp med mer og mer presise resultater.
3. Så hvordan trener du algoritmene?
La oss si at algoritmene skal trenes opp til å gjenkjenne lakselus. Algoritmene blir matet inn med treningsdata, en mengde bilder av laks med lus i ulike stadier. Gjennom tilbakemeldinger til algoritmene blir de stadig mer treffsikre i å gjenkjenne lakselusen. Det er viktig at bildene er tatt under reelle forhold i merden, med skiftende lysforhold, og ulike vinkler av fisken.
4. Er noen algoritmer mer lærenemme?
Kvaliteten på algoritmene er viktig. Kanskje må de justeres underveis for å legge vekt på andre faktorer i dataene, slik at resultatene blir riktigere. Kanskje må antallet algoritmer som dataene beveger seg gjennom utvides. Ta for eksempel en programvare som skal gjenkjenne identiteten til enkeltfisk på grunnlag av det unike prikkmønsteret hver av dem har. Hvis algoritmene også skal gjenkjenne den samme fisken over tid, må algoritmene ha kapasitet til å forstå hvordan prikkmønsteret endres med veksten til fisken.
5. Slik tas bildene som skal brukes
Bildene tas med et undervannskamera i merden. Per Erik Hansen, Customer Success Manager i Aquabyte, forteller at de bruker et standardkamera med spesielt god optikk med to linser, for å kunne måle avstanden til fisken. Kameraet tar bilder konstant, og plasseres slik at mest mulig fisk svømmer forbi. Programvare i kameraet sorterer bort bilder som ikke kan brukes, og sender de beste videre til analyse.
6. Kan du stole på resultatene?
«De av våre kunder som har benyttet seg av systemet over lengre tid, rapporterer at resultatene viser seg å stemme godt med virkeligheten», forteller Per Erik Hansen videre. Oppdretterne får daglige lusetall for hver merd, med telling av lus på langt flere fisk enn ved manuell telling. “Programvaren skiller individuelle fisk fra hverandre, slik at samme fisk ikke telles flere ganger. Dette bidrar til Aquabyte leverer lusetall med stor nøyaktighet” bemerker Hansen.
7. Hva kan du bruke det til?
Presis telling av lakselus og nøyaktig estimat av biomasse og vektdistribusjon er to av bruksområdene som til nå har fått ferdig utviklede løsninger. Fiskehelse er et annet viktig anvendelsesområde. Detektering av vintersår, deformasjoner og andre ytre forandringer på laksen er aktuelle bruksområder. Ved å gi oppdretteren mye bedre innsikt og beslutningsgrunnlag vil man kunne ta langt bedre beslutninger og i det hele tatt få en mer effektiv drift av oppdrettsanlegget.
Aquabyte
Aquabyte har utviklet et system for telling av lus med maskinlæring, basert på bilder fra undervannskamera med sylskarp optikk. Systemet leverer også svært gode resultater for måling av biomasse, med vektdistribusjon og analyseverktøy.
Aquabyte - havbruk møter maskinlæring
Byte-for-byte / bilde-for-bilde Automatisk lusetelling Automatisk biomassemåling Kontinuerlig lusetelling uten å håndtere fisken - med bedre oversikt enn noensinne (Ved hjelp av et virkelig godt kamera - og avansert bildeanalyse koblet mot maskinlæring)