Prosjektnummer
901871
Sanntids deteksjon av frittsvømmende luselarver (e-Lice)
Utviklet og testet metoder for tidlig varsling, overvåking og registrering av frittsvømmende stadier av lakselus i sanntid før smitte av fisk
Norsk (English further below)
• En banebrytende bildesensor ble utplassert i en profileringsbøye med kunstig intelligens, sanntids datastrømming og visning for å oppdage fritt svømmende lakselus i vannsøylen som et tidlig varslingssystem for potensielle infestasjoner.
• Som konseptbevis fungerte denne teknologiske integrasjonen godt, og det ble demonstrert at frittsvømmende nauplie- og copepodittstadier av lakselus kan oppdages av kamerasystemet (UVP6) og kan gjenkjennes automatisk av KI-algoritmene både in-situ (live data) og ex-situ (validering).
• Trenden med chalimus- og preadult tellinger gjort på oppdrettsanlegget nær UVP6-riggutplasseringen var generelt i samsvar med valideringsdataene, og ga dermed ytterligere bevis på systemets funksjonalitet.
• Til tross for suksessen er det behov for å forbedre og finjustere flere komponenter av den teknologiske integrasjonen av e-Lice.
Main findings
• A cutting-edge imaging sensor was deployed in a profiling buoy with artificial intelligence, live data streaming and dashboarding to detect free-swimming sea lice in the water column as an early-warning system of potential infestations.
• Som konseptbevis fungerte denne teknologiske integrasjonen godt, og det ble demonstrert at frittsvømmende nauplie- og copepodittstadier av lakselus kan oppdages av kamerasystemet (UVP6) og kan gjenkjennes automatisk av KI-algoritmene både in-situ (live data) og ex-situ (validering).
• Trenden med chalimus- og preadult tellinger gjort på oppdrettsanlegget nær UVP6-riggutplasseringen var generelt i samsvar med valideringsdataene, og ga dermed ytterligere bevis på systemets funksjonalitet.
• Til tross for suksessen er det behov for å forbedre og finjustere flere komponenter av den teknologiske integrasjonen av e-Lice.
Main findings
• A cutting-edge imaging sensor was deployed in a profiling buoy with artificial intelligence, live data streaming and dashboarding to detect free-swimming sea lice in the water column as an early-warning system of potential infestations.
• As proof of concept, this technological integration worked well, and it was demonstrated that free-swimming naupliar and copepodite stages of sea lice can be detected by the camera system (UVP6) and can be recognized automatically by the AI algorithms both in-situ (live data) and ex-situ (validation).
• The trend of chalimus and pre-adult counts made at the aquaculture site near the UVP6 rig deployment was in general agreement with the validation data, thus providing further proof of evidence of the functionality of the system.
• Despite the success, there is a need to improve and fine-tune several components of the e-Lice technological integration.
• The trend of chalimus and pre-adult counts made at the aquaculture site near the UVP6 rig deployment was in general agreement with the validation data, thus providing further proof of evidence of the functionality of the system.
• Despite the success, there is a need to improve and fine-tune several components of the e-Lice technological integration.
Sammendrag av resultater fra prosjektets faglige sluttrapport (Summary in English further below)
Laksenæringen står i dag overfor betydelige utfordringer knyttet til angrep av lakselus (Lepeophtheirus salmonis). Dette skaper et presserende behov for å utvikle varslingssystemer ved oppdrettsanlegg, slik at man kan oppdage, telle og rapportere fritt svømmende lakselus i sjøen tidlig i prosessen.
Prosjektgruppen foreslår en ny tilnærming basert på en bildesensor kjent som undervannssynsprofiler versjon 6 (UVP6). Denne enheten overfører og behandler data ombord ved hjelp av kunstig intelligens for sanntidsdeteksjon og klassifisering av lakselus. Man har utviklet KI-algoritmer for både fritt svømmende lakselus og voksne lus (både hann og hunn), samt for omtrent 30 forskjellige planktontaxa.
UVP6 ble plassert på en vinsj festet til en autonom bøye, noe som gjør det mulig å samle inn data fra vannsøylen. Algoritmene ble lastet inn i en mikroprosessor i UVP6, og de prosesserte dataene ble strømmet til et dashbord for visualisering for sluttbrukerne. Resultatene viser at ytelsen til KI-algoritmen som kjøres på sensoren ikke er tilstrekkelig sammenlignet med KI-algoritmen som kjøres i skyen, som gir betydelig bedre prosesseringskapasitet.
Totalt sett har man utviklet, testet, feilsøkt og optimalisert systemet gjennom hele prosjektperioden. Dette konseptbeviset påpeker behovet for å forbedre KI-komponenten, dataprosesseringslinjer og sensormaskinvaren ytterligere for å kunne tilby en robust løsning for kommersiell bruk.
Laksenæringen står i dag overfor betydelige utfordringer knyttet til angrep av lakselus (Lepeophtheirus salmonis). Dette skaper et presserende behov for å utvikle varslingssystemer ved oppdrettsanlegg, slik at man kan oppdage, telle og rapportere fritt svømmende lakselus i sjøen tidlig i prosessen.
Prosjektgruppen foreslår en ny tilnærming basert på en bildesensor kjent som undervannssynsprofiler versjon 6 (UVP6). Denne enheten overfører og behandler data ombord ved hjelp av kunstig intelligens for sanntidsdeteksjon og klassifisering av lakselus. Man har utviklet KI-algoritmer for både fritt svømmende lakselus og voksne lus (både hann og hunn), samt for omtrent 30 forskjellige planktontaxa.
UVP6 ble plassert på en vinsj festet til en autonom bøye, noe som gjør det mulig å samle inn data fra vannsøylen. Algoritmene ble lastet inn i en mikroprosessor i UVP6, og de prosesserte dataene ble strømmet til et dashbord for visualisering for sluttbrukerne. Resultatene viser at ytelsen til KI-algoritmen som kjøres på sensoren ikke er tilstrekkelig sammenlignet med KI-algoritmen som kjøres i skyen, som gir betydelig bedre prosesseringskapasitet.
Totalt sett har man utviklet, testet, feilsøkt og optimalisert systemet gjennom hele prosjektperioden. Dette konseptbeviset påpeker behovet for å forbedre KI-komponenten, dataprosesseringslinjer og sensormaskinvaren ytterligere for å kunne tilby en robust løsning for kommersiell bruk.
Results achieved
Summary of results from the project’s final reporting
Summary of results from the project’s final reporting
The salmon industry is currently challenged by sea lice infestations (Lepeophtheirus salmonis). This calls for a need to develop an in situ early warning system to detect, count and report the presence of free swimming sea lice in the water to stakeholders.
Herein, the project group propose a novel approach based on an in-situ imaging sensor, an underwater vision profiler version 6 (UVP6) and onboard data processing using artificial intelligence for real-time detection and classification. AI algorithms have been developed for free swimming sea lice, adults lice (male and female) and approximately 30 different plankton taxa.
The UVP6 was deployed from an autonomous buoy from a winch to collect data across depth and the algorithms were deployed in the UVP6 onboard microprocessor. Data were streamed to a dashboard for end users. The results show that the performance of the AI running in the sensor is not sufficient quality compared to running the AI in the cloud which offers more powerful processing capacity.
Overall, a system has been successfully developed, tested, debugged and optimized. This proof of concept points out the need to further improve on the AI component, the data processing pipeline and the sensor hardware in order to offer a robust solution for commercial use.
Herein, the project group propose a novel approach based on an in-situ imaging sensor, an underwater vision profiler version 6 (UVP6) and onboard data processing using artificial intelligence for real-time detection and classification. AI algorithms have been developed for free swimming sea lice, adults lice (male and female) and approximately 30 different plankton taxa.
The UVP6 was deployed from an autonomous buoy from a winch to collect data across depth and the algorithms were deployed in the UVP6 onboard microprocessor. Data were streamed to a dashboard for end users. The results show that the performance of the AI running in the sensor is not sufficient quality compared to running the AI in the cloud which offers more powerful processing capacity.
Overall, a system has been successfully developed, tested, debugged and optimized. This proof of concept points out the need to further improve on the AI component, the data processing pipeline and the sensor hardware in order to offer a robust solution for commercial use.
Foreløpig avgrenset nytte, men hvis slik KI-drevet automatisk overvåking av organsimer i fri vannmasser utvikles videre kan det bli et viktig bidrag for næringens muligheter til forebyggende tiltak hvis skadelige organismer observeres.
-
Final report: Real time detection of free-swimming sea lice: e-lice
Akvaplan-niva AS (APN). Report no. 2025 64650.02. 18 March 2025. By Lionel Camus (APN), Kanchana Bandara (APN), Trude Borch (APN), Ragnhild Pettersen (APN), Morten Thorstensen (APN), Sigmund Sevatdal (VESO (Veterinærmedisinsk oppdragssenter) AS), Tormod Skålsvik (Nova Sea AS), Marc Picheral (MP Consulting), Leif Edvard Bildøy (Kongsberg Discovery AS), Marta Moyano (NIVA (Norsk institutt for vannforskning)), and Jerome Coindat (Hydroptic).
Tidligere varsling og bedre overvåkning av
frittsvømmende stadier av lakselus i nær sanntid gir mulighet for forebyggende
tiltak for å unngå påslag av lus på laks. Ved utbygging av sensorteknologien for større deler av kysten vil nær sanntid data kunne inngå i modellerte lusevarsler. Dette kan være for eksempel videreutvikling av lusespredningsappen til Akvaplan-niva (MATNOC) eller lusekartet til Havforskningsinstituttet.
Hovedmål
• Å utvikle og dokumentere metoder for tidlig varsling, overvåking og registrering av frittsvømmende stadier av lakselus i sanntid før smitte av fisk.
• Å oppnå et konseptbevis (“proof-of-concept”) ved bruk av online automatiske behandlede bilder (UVP6-instrument) for deteksjon av frittsvømmende lakselus larver.
Delmål (med korresponderende arbeidspakker (AP-er))
• Å fremskaffe algoritmer ved hjelp av et kontrollert laboratorieoppsett og bruk av kunstig intelligens i bildebehandling for å skille ulike livsstadier av lakselus med UVP6 (AP1).
• Å utvikle, validere og teste algoritmene for automatisk bildedeteksjon, telling og klassifisering av de ulike lusestadiene (AP2).
• Å sette sammen UVP6 på en autonom fortøyning for feltutplassering (AP3).
• Å utvikle et digitalt system for tidlig varsling med datastrømming og dashbord for sluttbrukere (AP4).
• Å optimalisere og validere det overordnede konseptet og teknologien for operasjonell bruk (AP5).
• Å kommunisere med sluttbrukere og formidling (AP6)
• Å utvikle og dokumentere metoder for tidlig varsling, overvåking og registrering av frittsvømmende stadier av lakselus i sanntid før smitte av fisk.
• Å oppnå et konseptbevis (“proof-of-concept”) ved bruk av online automatiske behandlede bilder (UVP6-instrument) for deteksjon av frittsvømmende lakselus larver.
Delmål (med korresponderende arbeidspakker (AP-er))
• Å fremskaffe algoritmer ved hjelp av et kontrollert laboratorieoppsett og bruk av kunstig intelligens i bildebehandling for å skille ulike livsstadier av lakselus med UVP6 (AP1).
• Å utvikle, validere og teste algoritmene for automatisk bildedeteksjon, telling og klassifisering av de ulike lusestadiene (AP2).
• Å sette sammen UVP6 på en autonom fortøyning for feltutplassering (AP3).
• Å utvikle et digitalt system for tidlig varsling med datastrømming og dashbord for sluttbrukere (AP4).
• Å optimalisere og validere det overordnede konseptet og teknologien for operasjonell bruk (AP5).
• Å kommunisere med sluttbrukere og formidling (AP6)
Direktekostnader, redusert fiskehelse, redusert vekst og dødelighet på grunn av lus i akvakulturindustrien er svært store. Sanntidsovervåking rundt anlegg vil gi mulighet for tiltak for å unngå smitte av fisk.
Dette prosjektet vil ved tidligere varsling av luselarver kunne bidra til å:
1. redusere miljøfotavtrykket på grunn av mindre bruk av avlusingsmidler
2. redusere bruk av ikke-medikamentell avlusning
3. mindre avlusning
1. og 2. vil gi bedre fiskevelferd og
4. redusere produksjonskostnadene.
UVP6 er tilgjengelig på markedet og har derfor mulighet for oppskalering når automatisk digital bildebehandlingsteknologi er på plass. Ambisjonen er over tid å etablere et nettverk av e-lice overvåking på strategiske steder langs norskekysten for å samle inn og dele informasjon om tilstedeværelse og tetthet av lakselus gjennom BarentsWatch-portalen. Prosjektet har derfor stor betydning for oppdrettsnæringen i hele landet. Tidlig varsling målrettet mot frittsvømmende stadier av lakselus vil øke næringens lønnsomhet og bidra til å bygge et positivt omdømme for norsk oppdrettsnæring.
Dette prosjektet vil ved tidligere varsling av luselarver kunne bidra til å:
1. redusere miljøfotavtrykket på grunn av mindre bruk av avlusingsmidler
2. redusere bruk av ikke-medikamentell avlusning
3. mindre avlusning
1. og 2. vil gi bedre fiskevelferd og
4. redusere produksjonskostnadene.
UVP6 er tilgjengelig på markedet og har derfor mulighet for oppskalering når automatisk digital bildebehandlingsteknologi er på plass. Ambisjonen er over tid å etablere et nettverk av e-lice overvåking på strategiske steder langs norskekysten for å samle inn og dele informasjon om tilstedeværelse og tetthet av lakselus gjennom BarentsWatch-portalen. Prosjektet har derfor stor betydning for oppdrettsnæringen i hele landet. Tidlig varsling målrettet mot frittsvømmende stadier av lakselus vil øke næringens lønnsomhet og bidra til å bygge et positivt omdømme for norsk oppdrettsnæring.
Prosjektet e-lice er organisert gjennom 5 praktiske arbeidspakker (AP-er):
AP 1 ledes av VESO med Akvaplan-niva som partner. Voksen hunnlus tas inn i laboratoriet og larver klekkes. UVP6 settes opp i kar og frittsvømmende stadier av lus tilsettes. Deretter tilsettes ulike kombinasjoner av lus og dyreplankton.
AP 2 er utvikling av algoritmer for gjenkjenning av frittsvømmende stadier av lus. Arbeidspakken ledes av Akvaplan-niva med CNRS og NIVA som partnere. Milepæler fra AP 1 og 2 er å få til automatisk deteksjon og klassifisering av luselarver. AP 1 og 2 gjennomføres i 2. kvartal 2023 til 2. kvartal 2024.
AP 3 er feltarbeidsdelen, hvor UVP6 settes ut ved en lokalitet til Nova Sea. Milepæl for AP 3 er å få utstyret til å fungere i felt inklusiv online kommunikasjon. AP 3 ledes av Akvaplan-niva med Nova Sea og CNRS som partnere.
AP 4 er utvikling av et dashbord for enkel datatilgang for sluttbruker. AP 4 ledes av Kongsberg Maritime med partnere Nova Sea og Akvaplan-niva. Parallelt med utviklingen av sluttbrukergrensesnittet vil utveksling av data mellom brukere klargjøres.
AP 5 har som oppgave å samle tråder for optimalisering og evaluering. Alle partnere involveres i dette arbeidet som ledes av Akvaplan-niva.
AP 1 ledes av VESO med Akvaplan-niva som partner. Voksen hunnlus tas inn i laboratoriet og larver klekkes. UVP6 settes opp i kar og frittsvømmende stadier av lus tilsettes. Deretter tilsettes ulike kombinasjoner av lus og dyreplankton.
AP 2 er utvikling av algoritmer for gjenkjenning av frittsvømmende stadier av lus. Arbeidspakken ledes av Akvaplan-niva med CNRS og NIVA som partnere. Milepæler fra AP 1 og 2 er å få til automatisk deteksjon og klassifisering av luselarver. AP 1 og 2 gjennomføres i 2. kvartal 2023 til 2. kvartal 2024.
AP 3 er feltarbeidsdelen, hvor UVP6 settes ut ved en lokalitet til Nova Sea. Milepæl for AP 3 er å få utstyret til å fungere i felt inklusiv online kommunikasjon. AP 3 ledes av Akvaplan-niva med Nova Sea og CNRS som partnere.
AP 4 er utvikling av et dashbord for enkel datatilgang for sluttbruker. AP 4 ledes av Kongsberg Maritime med partnere Nova Sea og Akvaplan-niva. Parallelt med utviklingen av sluttbrukergrensesnittet vil utveksling av data mellom brukere klargjøres.
AP 5 har som oppgave å samle tråder for optimalisering og evaluering. Alle partnere involveres i dette arbeidet som ledes av Akvaplan-niva.
Dette prosjektet er frittstående, men bygger på erfaringer og utvikling fra en rekke prosjekter som Glider fase II (industri, 2021–2023), ANERIS (EU) og BIOGLIDER (EU, 2021–2023). Ved utbygging av sensorteknologien for større deler av kysten vil nær sanntid data kunne inngå i modellerte lusevarsler. Dette kan være for eksempel videreutvikling av lusespredningsappen til Akvaplan-niva (MATNOC) eller lusekartet til Havforskningsinstituttet.
For å sikre brukerrelevans og god kommunikasjon med interessegrupper er det opprettet en brukergruppe. Brukergruppen består av Bremnes Seashore, Marø Havbruk og NCE Aquaculture klyngen i tillegg til industripartneren Nova Sea. Feltforsøket vil utføres ved et av Nova Sea sine anlegg i Nordland. Brukergruppen vil være involvert i alle arbeidspakker. Viktige innspill fra denne gruppen inkluderer behovsavklaring, utfordringer, databehandling og design av datautgang. Det vil være jevnlige møter mellom prosjektgruppe, referanse- og brukergrupper for oppdateringer og diskusjoner. Det vil bli arrangert oppstartsmøte (virtuelt), midtveismøte og sluttmøte (fysisk) med referansegruppe, prosjektgruppe, FHF og brukergruppe.
Aktivitetene i og resultatene fra prosjektet vil bli formidlet på relevante konferanser/seminarer og på de ulike partnernes nettsider og sosiale mediekanaler (Facebook®, Twitter®, Instagram® og LinkedIn®). Det vil bli publisert artikler/kronikker i dagspressen (for eksempel Norsk Fiskeoppdrett/ Fiskeribladet/ Tekfisk/ IntraFish/ kyst.no/ iLaks.no/ forskning.no).
Sluttrapporten vil være åpent tilgjengelig på FHF og AP-NIVA sine nettsider.
Aktivitetene i og resultatene fra prosjektet vil bli formidlet på relevante konferanser/seminarer og på de ulike partnernes nettsider og sosiale mediekanaler (Facebook®, Twitter®, Instagram® og LinkedIn®). Det vil bli publisert artikler/kronikker i dagspressen (for eksempel Norsk Fiskeoppdrett/ Fiskeribladet/ Tekfisk/ IntraFish/ kyst.no/ iLaks.no/ forskning.no).
Sluttrapporten vil være åpent tilgjengelig på FHF og AP-NIVA sine nettsider.
-
Final report: Real time detection of free-swimming sea lice: e-lice
Akvaplan-niva AS (APN). Report no. 2025 64650.02. 18 March 2025. By Lionel Camus (APN), Kanchana Bandara (APN), Trude Borch (APN), Ragnhild Pettersen (APN), Morten Thorstensen (APN), Sigmund Sevatdal (VESO (Veterinærmedisinsk oppdragssenter) AS), Tormod Skålsvik (Nova Sea AS), Marc Picheral (MP Consulting), Leif Edvard Bildøy (Kongsberg Discovery AS), Marta Moyano (NIVA (Norsk institutt for vannforskning)), and Jerome Coindat (Hydroptic).