| Summary: | Sammendrag Dødeligheten i norsk akvakultur er stabilt høy, og i 2021 døde 15,5 % av sjøsatt Atlantisk laks (Salmo salar) i norske merder. Høy dødelighet utfordrer akvakulturnæringas evne til bærekraftig vekst, da det kan gi redusert fiskevelferd, svekket ressursutnyttelse og økte produksjonskostnader. Fiskedødelighet er et velferdsproblem som indikerer at produksjonen av Atlantisk laks ikke er optimal. For å kunne sette inn målrettede tiltak for å forhindre dødelighet er det nødvendig å vite årsaken til at fisken dør. I dag finnes det ingen offentlig statistikk på de vanligste årsakene til at oppdrettslaks dør, men mange oppdrettere gjennomfører daglig dødfiskkategorisering i forbindelse med lovpålagt telling av dødfisk. Gjennom innovasjonsprosjektet GreatView ønsker bedriften CreateView å utvikle en bildeskanner som kan effektivisere telle- og karakteriseringsprosessen av dødfisk ved bruk av maskinlæring (ML) og kunstig intelligens (KI). Formålet med denne pilotstudien var å undersøke potensialet til å benytte KI til å overvåke velferd, sykdom og dødelighet hos Atlantisk laks (Salmo salar). I feltstudien ble individbaserte velferdsindikatorer skåret på dødfisk. Det ble samlet inn historikk fra felt og prøvemateriale fra tilfeldig utvalgte dødfisk til sykdomsdiagnostikk. Diagnostikken inkluderte histopatologiske undersøkelser av vev fra hjerte, muskel og pankreas, undersøkelse av bakterieutstryk fra nyre, pseudobrank og sår i MALDI-TOF og qPCR undersøkelser av nyrevev for Pasteurella sp. Historikk fra felt og diagnostikk ble benyttet til å kategorisere årsaker til dødelighet. I felt ble det tatt utvendige bilder av dødfisk. Velferdsindikatoren «Skjelltap» og diagnosen «Pasteurellose» ble markert på bildene, og de markerte bildene ble benyttet til å trene opp, og teste en objektgjenkjenningsalgoritme ved bruk av ML og KI. I oppgaven ble det erfart at det er utfordrende å kategorisere dødfisk i årsaker til dødelighet, og at ML og KI har større potensiale til å gjenkjenne velferdsindikatorer enn dødsårsaker. ...
|
|---|