Havforskningsinstituttet er i disse dager på tokt for å teste maskinlæringsevnene til Deep Vision-systemet. Deep Vision er et kamerasystem som festes ved inngangen til trålen for å måle mengde og artsbestemme fisk uten å hente den om bord og ta livet av den. Systemet er utviklet av selskapet Scantrol Deep Vision.
Poenget med maskinlæringen er å automatisere artsbestemmelsen. Hittil har artsbestemmelsen skjedd ved at forskerne tolker hvert bilde kameraene tar manuelt.
Nå har de laget en algoritme for å gjenkjenne artene sild, kolmule, makrell og lysprikkfisk.
Systemet har blitt testet i 2017, 2018 og nå i 2019, og viser at om lag 90 prosent av fisken blir riktig identifisert.
- Tar færre prøver: Nå slipper forskerne å drepe fisken for å telle den
Byttet kamera
Det nye på toktet som nå er i gang, er at artsbestemmelsen skal skje i sanntid, ikke etter fire måneder som tidligere. Dataene blir også presentert som en tegning av trålbanen der ulike fargekoder representerer de ulike artene, mens det tidligere ble presentert som et ekkogram (en kurve basert på ekkoloddata).
– Problemet er at vi ikke har kontroll med hvordan fisken svømmer inn i trålen. Det er enkelt å artsbestemme en fisk som svømmer foran kameraet slik at man får bilde fra siden. Men fiskene kan svømme opp ned eller med magen mot kameraet, og da blir det vanskeligere, sier kameraansvarlig Shale Rosen i Havforskningsinstituttet.
Han har byttet ut kameraene og lyset i Deep Vision for at systemet skal bli mer presist.
– Vi har byttet ut kameraene med noen som viser bilder i fire ganger høyere oppløsning. Vi har også økt lysmengden med om lag 50 prosent for at maskinlæringen skal ha bedre bilder å jobbe med, sier Rosen.
- Smarte droner: Droner gjør havforskningen raskere og billigere
Makrell er lettest å artsbestemme
Havforsker Vaneeda Allken, som jobber med populasjonsgenetikk, sier de har brukt om lag 70 bilder per art som de har generert nye bilder fra for å trene maskinlæringen. Deretter har de brukt om lag 1000 bilder for å teste systemet.
– Makrell var den letteste arten å klassifisere for systemet. Jeg er ikke sikker på hvorfor, men den har enkelte kjennetegn som stripene, som kan gjøre klassifiseringen enklere, sier Allken.
Maskinlæringen er en del av Cogmar-prosjektet som har fått 15,5 millioner i IKT-støtte. Målet er å utvide maskinlæringen til andre arter i framtiden. De ser også for seg at systemet på lengre sikt skal kunne skille rømt oppdrettslaks fra villaks.
