Fish-farm Integrated Sensor Cluster: Environmental and Biological Surveillance in Fish-farming Aquaculture with Emphasis on Sensor Fusion

• Main Author: Ericsson, Martin
• Other Authors: Potter, John R., Søraunet, Arild
• Format: Master Thesis
• Language: English
• Published: NTNU 2022
• Subjects: Finnes; Salmo salar
• Online Access: https://hdl.handle.net/11250/3016406

Norge står for den største andelen produksjon og eksport av Atlantisk laks (Salmo salar L.) globalt, men med en dødelighetsrate på 15.5 % i 2021 så har den norske lakseoppdrettsnæring en lang vei å gå for å bli optimal. Miljø-basert og biologisk overvåkning i laksemerder er utfordrende gitt av deres størrelse og kompleksiteten av miljøet i dem, og enkle undervannskamera er industri-standarden for overvåkning under daglige operasjoner. Subjektive vurderinger utført av lakseoppdretterne er dermed fortsatt standard prosedyre for å bedømme fiskens generelle helse og velferd. Det finnes mange teknologiske løsninger på markedet som skal gi oppdretterne mere kontroll under daglige operasjoner. Flertallet av disse systemene er rettet mot å enten overvåke miljø-parameter eller innhente data på fisken. Produkter for det sistnevnte er ofte basert på avanserte 3D kamera-system og maskinlæring for å detektere lakselus, sår og estimere biomasse. Slike system er dermed relativt dyre. Et eget-utviklet multisensorsystem blir i denne rapporten utnyttet til å utforske fusjon av optisk og akustisk data for å estimere størrelse og svømmehastighet på individuelle atlantisk laks. Så vidt forfatteren vet er det ingen andre produkter på markedet som utnytter en lignende sensorfusjon i et slikt bruksområde. Systemet inneholder også en sensor for å måle absolutt orientering og en sensor som måler to livsviktige miljø-parameter for atlantisk laks (vannets oksygeninnhold og temperatur). De anvendte teoretiske aspektene innenfor de respektive vitenskapsfeltene er presentert for å legge fundamentet for hvordan data-behandlingen er utviklet. Her blir det vektlagt hvorfor de spesifikke implementasjonene ble utnyttet. Prototypen i seg selv ble designet og konstruert i spesialiseringsprosjektet gjennomført før master-prosjektet, men er presentert som tidligere arbeid for å gi en bedre forståelse for hvordan systemet fungerer. Den utviklede programvaren blir benyttet på data innhentet under to fullskala-tester. En dyp lærings-basert datasynsmodell ...