FoU-samarbeid om maskinlæring for telling av lakselus
Teknologisk Institutt (DTI) og Benchmark Genetics Norway har inngått et FoU-samarbeid som går ut på å bruke kunstig intelligens (AI) for å telle lakselus for å forbedre nøyaktigheten i seleksjonen av resistent fisk til avlsformål.
For å vurdere graden av resistens for lakselus hos atlantisk laks, gjennomfører avlsselskapene smitteforsøk der hver enkelt fisk i etterkant blir undersøkt og antall lus blir talt og registrert manuelt. Dette er en møysommelig og tidkrevende prosess som krever betydelige menneskelige ressurser.
- Ved å ta bilder av hver fisk og bruke kunstig intelligens (AI) for å analysere bilder i sanntid, kan man nå finne et nøyaktig antall lusepåslag per fisk, skriver Benchmark Genetics Norway i en pressemelding.
Bildeteknologi er utgangspunktet for metoden
Bildeteknologien bruker en kombinasjon av en halvsirkulær lyskuppel (CSS dome light HPD2-400FC) og et 5-megapiksel monokromt kamera for å ta et bilde av hver laks. Den kraftige lysdomen har tre individuelle utløste fargedioder: rød (622 nm), grønn (525 nm) og blå (470 nm). Mono-kameraet tar ett bilde ved hver bølgelengde, og deretter etterbehandles bildene ved hjelp av AI.
- Forsøk bekrefter at dette bildesystemet gir brukeren best synlighet og kontrast mellom lus og fisk. Algoritmen bruker en segmenteringsmodell for dyp læring basert på en multippel konvolusjonell nettverksarkitektur U-net bildemodell, opprinnelig utviklet for biomedisinsk bildesegmentering, skriver de videre.
Kunstig intelligens brukes til å tolke bildene
AI-modellen er opplært til å segmentere lakselus og laks. Etter bildesegmentering filtreres og telles lusen. Ved å gjenta denne prosessen mange ganger og automatisk forsterke bildeutseendet på ulike måter, lærer modellen formen og blir robust mot varierende fisk- og lusestørrelser, bildevinkler, belysningsvariasjoner etc.
Treningsdatasettet lages ved å manuelt merke piksler med lus i bildet. Modellen kan deretter sammenligne resultatene med treningsdatasettet og blir trent. Jo større treningsdatasett, jo mer nøyaktig kan algoritmen oppdage lus. Modellens ytelsesforbedring verifiseres ved å beholde et undersett av de nevnte dataene for modellvalidering.
- Ved hjelp av den nye teknologien forventer Benchmark å få en høyere kvalitet på de fenotypiske datasettene for lakselus. Dette vil bidra til å ytterligere forbedre presisjonen i seleksjonen av de beste avlskandidatene for resistens mot lakselus, og derav øke ytelsen for egenskapen i genetikken som blir levert til selskapets kunder.
