Bruk av maskinsyn for automatisk telling og artsbestemmelse av villfisk som beiter under oppdrettsmerder

• Main Author: Haugen, Hans Alan Whitburn
• Other Authors: Bar, Eirin Marie Skjøndal, Lindberg, Stein-Kato
• Format: Bachelor Thesis
• Language: unknown
• Published: NTNU 2020
• Subjects: atlantic cod
• Online Access: https://hdl.handle.net/11250/2664006

Denne bacheloroppgaven handler om å bruke maskinsyn til å telle villfisk som beiter under oppdrettsmerder. Forsøket ble gjort som en del av Sameksistensprosjektet til Nofima. Objektdetekteringen baserer seg på dype nevrale nettverk og er i stand til å klassifisere og telle fiskene torsk og sei. Kunstige nevrale nettverk kalles for modeller. Maskinlæring har blitt et populært paradigme innenfor informatikk. Modeller lærer fra data. YOLOv4 og RetinaNet er objektdetekteringsmodeller. YOLOv4 og RetinaNet ble anvendt til fiskedeteksjon. Begge modellene brukte CNN-konsepter hentet fra forhåndstrente nettverk. Det ble utviklet et datasett basert på video fra og ved lagringsmerder av fisk. Gjennomsnittlig presisjon (AP50) for RetinaNet ble 66,3 %. En gjennomsnittlig objektdeteksjonspresisjon (mAP) lik 73 % ble oppnådd for YOLOv4-modellen. Dette forsøket viser at maskinsyn kan anvendes til å løse oppgaver innenfor akvakultur. Maskinsyn kan anvendes til å finne omfanget av torsk og sei som beiter rundt oppdrettsanlegg. Skriptene til å reprodusere forsøket er offentlig tilgjengelig fra: https://github.com/alanhaugen/TMAT3004-Bacheloroppgave This bachelor thesis describes a method for detecting and counting the wild fish feeding in the vicinity of fish farms by using computer vision. The work was done as a part of Nofima's Coexistence project. The fish detection is based on deep neural networks and can detect and count Atlantic cod and saithe. Artificial neural networks are called models. Machine learning has become a popular new programming paradigm. Models learn from data. YOLOv4 and RetinaNet are examples of object detection models. The networks YOLOv4 and RetinaNet were used for fish detection. Both of the models used CNN concepts from pre-trained networks. A dataset based on videos of fish from and around fish farms was generated. The average precision (AP50) for the RetinaNet model was 66,3 %. A mean average precision (mAP) of 73 % was achieved for the YOLOv4 model. The study demonstrates that computer vision is a viable technology for solving problems within the aquaculture industry. Computer vision can be used to find the amount of Atlantic cod and saithe grazing in the vicinity of fish farms. Scripts to reproduce this study are made publicly available at: https://github.com/alanhaugen/TMAT3004-Bacheloroppgave