Kan kamera gi objektiv sanntidsinformasjon om fiskevelferd under trenging?

Målet er å gjøre vurderinger som i dag bygger på erfaring og observasjoner, mer målbare, dokumenterbare og tilgjengelige i sanntid. Prosjektet ledes av DNV, med Sintef Ocean, Salmalytics AS, PatoGen AS, Norges miljø- og biovitenskapelige universitet (NMBU) og NCE Aquaculture AS som prosjektpartnere.

Et av målene i prosjektet er å undersøke metoder som kan gi bedre beslutningsgrunnlag under trenging. Trenging av fisk er nødvendig, både i forbindelse med avlusing og andre typer håndtering i oppdrettsnæringen, og vurderes som en operasjon forbundet med høy risiko. Det er derfor behov for bedre verktøy til å overvåke både fisken og miljøforholdene underveis i trengingen. Det er viktig at operasjonen tilpasses situasjonen underveis, basert på observasjonene man gjør: Hvor tett står fisken? Endrer adferden seg – og hva betyr endringen? Er dette normalt, eller bør tiltak settes inn, eller bør trengingen avbrytes?

Vurderingene bygger i dag i stor grad på erfaring og observasjoner fra overflaten. Fjernstyrte undervannsroboter med kamera (ROV) brukes i økende grad og gir viktig tilleggsinformasjon, men bildene kan være krevende å tolke fra utsiden av nota, eller gir begrenset informasjon på grunn av lite synsfelt eller dårlig sikt. Resultatet er en vurdering som er vanskelig å gjøre objektiv, som gir begrenset sanntidsinformasjon om situasjonen inne i nota, og som er vanskelig å dokumentere for analyser i etterkant. I FHF-prosjektet TreatSupport undersøker vi om kamera inne i merden, kombinert med AI, kan gjøre vurderingen målbar, og på sikt bli et objektivt verktøy for beslutningsstøtte mens operasjonen pågår.

Forsøk i mindre skala 

Høsten 2025 ble et mesoskalaforsøk hos LetSea på Dønna gjennomført. En sylindrisk trengenot ble hengt inn i en 5×5-metersmerd med rundt 1 100 laks på i overkant av ett kilo. Ved å heve en justerbar falsk bunn trinnvis, kunne vi kontrollere fisketettheten, og koble fiskens respons til den kjente trengetettheten. 

Fisken oppførte seg ulikt ved ulike fisketettheter. Det ble blant annet observert perioder med tydelig panikkadferd: fisk som borret nedover, og fisk som ble presset mot notveggen, samtidig som oksygenforbruket økte kraftig (se figur 2). Endringer i fiskens respons under trenging kan skje raskt, og kan få store konsekvenser hvis det ikke fanges opp i tide. 

For å vurdere om metodikken er egnet til sanntidsovervåking under trenging, må man først vurdere hvorvidt den fungerer undersøkes avdekker trengeforhold som krever tiltak.  Videre må man analysere hvordan tetthet, adferd og oksygenforhold henger sammen under trenging, og om utviklingen kan forutses tidsnok til at metoden kan gi reell beslutningsstøtte. Regnekraften og AI-verktøyene blir stadig bedre, men det gjenstår mye arbeid med å forstå sammenhengene, hvor sterke de er, og hvordan forhold som strøm og temperatur i sjøen påvirker utfallet. 

Kamera i både mono- og stereooppsett ble testet, og basert på opptakene trenes AI-modeller til å tolke bildene. Et stereooppsett gir dybdeinformasjon i bildet, slik at modellen kan skille en liten fisk fra en som er langt unna. Ut fra dette håper vi å kunne anslå tettheten i volumet rundt kameraet. Resultatet er et objektivt mål på fisketetthet under trenging, som både kan gi tilbakemelding i sanntid og dokumentere operasjonen i etterkant. 

Videre i fullskala 

Erfaringene tas nå videre til kommersiell trenging i sjø, der forholdene er langt mindre kontrollerte: større merder, mer fisk, varierende sikt og krevende tilkomst. Kamera vil brukes under, der flere oppsett vil testes  for å finne ut hvilken plassering som gir representativt bilde ved høy fisketetthet. Oksygensensorer monteres sammen med kameraene, slik at bilder og målinger beskriver tilstanden på samme sted i nota. I tillegg logges oksygen, vannstrøm og temperatur flere steder i og utenfor merden. Med enkle modeller vil vi undersøke om utviklingen i oksygennivå kan predikeres underveis, slik at det kan utarbeides konkrete råd om hvor oksygensensorer bør plasseres for å tidlig fange opp risiko for hypoksi (oksygenmangel). 

Veileder for risikovurdering

I forkant av behandling mot lakselus, ved bruk av medikamentelle eller ikke-medikamentelle avlusingsmetoder (IMM) skal fiskehelsepersonell gjennomføre en forsvarlighetsvurdering. I TreatSupport er det utarbeidet en veileder for risikovurdering i forkant av håndtering av laksefisk, veilederen ligger tilgjengelig på på FHF sine sider. Veilederen er utviklet i samarbeid med Akvaveterinærenes forening (AVF) og Tekna, med innspill fra fiskehelsepersonell gjennom utsendt skjema, dialog og workshop under Veterinærdagene 2026 og gjennom et digitalt dialogmøte. 

Veilederen skal bidra med økt standardisering av risikovurderinger i forkant av behandlinger. Videre skal den gjøre det lettere å tallfeste risikofaktorer før behandling, til bruk i datasett og analyser. Veilederen vil sikre at alle vurderer de samme parameterne før en avlusing og legge til rette for en strukturert diskusjon om vekting av risikofaktorer og prioriteringer. I veilederen er det laget veiledende grenseverdier for sentrale parametere som vurderes før avlusing. 

I veilederen er det lagt opp til at fiskehelsepersonell må bruke faglig skjønn og egne erfaringer, for å vurdere vektlegging av hver parameter, hvordan ulike parametere påvirker hverandre og vurdere risiko og forsvarlighet i forkant av behandling. 

Veilederen har allerede blitt brukt i undervisning av veterinærstudenter på NMBU Veterinærhøgskolen. Studentene fikk ulike case-oppgaver de skulle vurdere og diskutere med utgangspunkt i veilederen. Denne strukturerte måten å jobbe med risikovurdering ble godt mottatt av studentene. 

Kan analyser av historiske avlusinger gi oss informasjon om risikofaktorer?

Behandlingsdata er hentet inn fra flere oppdrettsaktører og skal analyseres av Salmalytics. Modellerte miljødata skal settes sammen med data fra et stort antall gjennomførte behandlinger. Materialet skal brukes til å avdekke faktorer som har betydning for en vellykket behandling, samt undersøke potensialet for å bygge risikomodeller før behandling iverksettes. 

Detaljert oppfølging av behandlinger i nåtid

Parallelt følger DNV rundt 40 fiskegrupper med blod- og histologiprøver før behandling, og datainnsamling før, under og etter behandling. Histologiprøvene scores ved hjelp av et scoringssystem som er utviklet av PatoGen og NMBU i prosjektet. Scoringen av histologi skal gjøre det lettere å bruke histologiresultater inn i statistiske analyser.  Dataene skal analyseres av NMBU for å finne eventuelle sammenhenger mellom helseparameterne og prestasjon under behandling.

Digitalt helsekort

I prosjektet utvikles et forslag til hvordan et digitalt helsekort for laksefisk kan realiseres. Arbeidet bygger på NMBU-rapporten Helseregistreringer i akvakultur (2024), som fremhever behovet for mer systematiske og standardiserte helseregistreringer i norsk akvakultur. Dagens helsedata er i stor grad fragmenterte, lagres i ulike systemer og mangler standardisering. Helsekortet skal legge til rette for en felles måte å dokumentere fiskehelse gjennom hele livsløpet, fra rogn til slakt gjennom å samle opplysninger om blant annet helse, velferd, miljøforhold, behandlinger og driftshendelser i en strukturert modell.  Dette vil gjøre det mulig å følge utvikling, risikofaktorer og behandlingsrespons over tid. Arbeidet omfatter å standardisere begreper, måleparametere og tilhørende kodestrukturer på viktige områder. Disse skal kunne inngå i en semantisk modell som gjør at helsedata kan forstås og utveksles på samme måte mellom oppdrettsselskaper, systemleverandører og øvrige interessenter.

Opplæringsfilmer, sjekklister og maler for logging

Resultater og funn fra prosjektet skal omsettes til praktiske verktøy: standardiserte sjekklister og maler for datainnsamling før og under behandling, veileder for risikovurderingen, opplæringsmateriell og e-kurs. Som en del av opplæringsmateriellet er det allerede utviklet korte videoer som fremhever viktigheten av oksygen under avlusingsoperasjoner. Disse videoene er tilgjengelige på TreatSupport sin linkedin side og flere videoer vil legges ut fortløpende. Når prosjektet nærmer seg slutten vil prosjektet invitere til åpent webinar i midten av februar 2027, der alle prosjektresultater vil presenteres.  

 Referanse: Stien, L.H., Nilsson, J., Noble, C., Izquierdo-Gomez, D., Ytteborg, E., Timmerhaus, G. & Madaro, A. (2024). Evaluating a crowding intensity scale and welfare indicators for Atlantic salmon in sea cages. Aquaculture Reports 37, 102211. https://doi.org/10.1016/j.aqrep.2024.102211