Til hovedinnhold

Ansiktsgjenkjenning for å identifisere laks

Ansiktsgjenkjenning av laks kan bedre fiskevelferden i merdene våre – og bli en gullgruve for oppdrettsnæringen.

Merd med laks
Forskere fra SINTEF og NTNU har utviklet et program basert på kunstig intelligens, som kan identifisere hver enkelt laks i en merd. Foto: Shutterstock

Klarer du å skille ansiktet til en laks fra en annen? Det er vanskelig nok, men ikke umulig. Men hva med å kjenne igjen hver enkelt av de 100 000 laksene som svømmer rundt i én merd? Hvis du hadde klart dette kunststykket, ville du vært svært verdifull for sjømatnæringen, som eksporterte fisk og andre sjømatprodukter for mer enn 100 milliarder kroner i 2019.

Men heldigvis trenger du ikke å pugge mugshots av laks fremover. SINTEF- og NTNU-forskere utvikler nemlig et program basert på kunstig intelligens (AI), som gjør dette automatisk. Ved å tilpasse eksisterende AI-teknologi som kjenner igjen ansikter hos mennesker, skal forskerne lære mer om den norske oppdrettsfisken og hvordan den egentlig har det.

Hvordan fungerer teknologien?

Foreløpig er treffprosenten drøyt 96. Det vil si at hvis vi plukker ut 100 tilfeldige laks fra merden, som totalt kan inneholde mer enn 100 000 individer, blir 96 riktig identifisert. Hvordan får den det til?

NTNU-stipendat og SINTEF-forsker Bjørn Magnus Mathisen drar litt på det. Han har jobbet med maskinlæring og anvendt kunstig intelligens hos SINTEF i ti år. Akkurat hvorfor teknologien er så treffsikker, er ikke godt å si, forklarer han. Det vi vet, er at den fungerer.

– Vi er ikke sikre på hvordan de faktisk gjenkjenner laksen, men vi har en teori om at det er gjennom pigmentflekkene i ansiktet, sier han. Hver laks har nemlig et særegent pigmentmønster, på samme måte som geparden og sjiraffen.

– Hvis vi mennesker klarer å se forskjell på laks, skal maskiner også klare det. Men det som gjør det hele mer komplisert, er at maskinene også ser ting vi ikke ser, forklarer stipendiaten.

Mennesker og maskiner

For å analysere bilder av laks som kommer fra undervannskameraer, bruker Mathisen såkalte dype nevrale nettverk. 

Nevrale nettverk er en form for maskinlæring som er inspirert av måten nervecellene i en hjerne er organisert på. Nettverkene kan identifisere dyr, mennesker og gjenstander gjennom lyd og bilder, noe som har vist seg vanskelig å gjøre rent matematisk. 

Du kan ikke fortelle en maskin hvordan den skal se forskjell på hver enkelt fisk. På samme måte som oss mennesker, må den lære det selv.

– Metodemessig lærer maskiner litt på samme måte som mennesker. Vi lærer gjennom å se forskjeller, sier Mathisen.

Kunstig intelligens uten personvern-debatt 

Ansiktsgjenkjenning brukes allerede på mennesker. Teknologien identifiserer blant annet brukere av telefoner, minibanker og betalingsløsninger, og i noen land brukes det til overvåkning. Denne bruken av kunstig intelligens har ført til en rekke pågående etiske debatter. Men ved å bruke ansiktsgjenkjenning på fisk, unngår vi problemene knyttet til personvern, forklarer Anders Bryhni, forretningsutvikler i SINTEF Digital.

– Vi er, som alle andre, opptatt av å gjøre gode etiske vurderinger når vi bygger systemer basert på kunstig intelligens. Samtidig ønsker vi at næringslivet i Norge raskest mulig skal få utnytte de store mulighetene som ligger i teknologien. Derfor er vi så glade i bruksområder som dette, forklarer Bryhni.

– Vi kan bruke kunstig intelligens til det beste for fisken og for oppdretterne uten å vente på de lengre, men viktige, diskusjonene der personvern er sentralt.  

Hvorfor er individgjenkjenning viktig? 

Teknologien kan har stor påvirkning på en av landets største næringer. Mathisen peker på særlig tre fordeler:

1. Ved å lære mer om hvert individ får vi langt mer kunnskap om hva som gjør laksen syk og frisk eller glad og trist. Det gir oss et helt annet grunnlag for god drift.

– Teknologien gjør det mulig å si noe med trygghet om individuelle laks. Jeg er temmelig sikker på at dette kommer til å bli en gullgruve for biologer. Ved å følge individer gjennom livet, kan vi finne ut enda mer om fiskens spisevaner, sosiale hierarkier, generelle velferd og tilbøyelighet til å få lus.

2. Vi slipper å ta manuelle «stikkprøver» av fisken. Disse prøvene er kostbare, unøyaktige og skadelig for fisken.

3. Det kan også skape en ny forretningsmodell. Hvis vi kjenner til hele livsløpet til fisken, kan det være mulig å differensiere pris på fiskefiletene basert på hvordan fisken har levd.

Trener maskiner til å gjøre jobben

Forskningen, som er støttet av innovasjonssenteret SFI Exposed, startet som et mastergradsprosjekt av Espen Meidell og Edvard Schreiner Sjøblom, veiledet av Kerstin Bach, Håkon Måløy og Mathisen. For å trene opp programvaren til å identifisere fisk, måtte gruppen gjøre en betydelig manuell jobb først.

Forskerne fikk tilsendt en videofil med tusenvis av bilder av laksene i en merd. Så startet jobben med å merke fiskehodene for hånd. 500 laksehoder ble manuelt identifisert og lagret i en database. Denne samlingen lærte opp det nevrale nettverket til å klippe ut laksehoder fra bildene selv, og i løpet av kort tid hadde nettverket gjort den samme jobben tusenvis av ganger.

Arbeidet ga forskerne en ny og større database. Denne databasen ble så brukt til å trene opp nye nevrale nett for å gjenkjenne hver enkelt laks i hele merden. 

Fra smolt til voksen fisk

Foreløpig er nettverkene trent opp på bilder med ganske gode lysforhold og som er tatt in-nenfor et kort tidsintervall. Metoden videreutvikles nå videre av Mathisen og NTNU-forskerne Bach og Måløy. De trener opp det nevrale nettverket til å prestere i mindre optimale forhold, samt å forbedre treffprosenten ytterligere.

– Utviklingen vi har gjort så langt er lavthengende frukt, og jeg er sikker på at det kan gjøres mye bedre, sier Mathisen.

Noe av det han synes er aller mest interessant med forskningen, er hvorvidt de klarer å identifisere den samme laksen gjennom hele livsløpet sitt.

– Jeg gleder meg veldig til å teste ut om dette fungerer på smolt og se om maskinen klarer å gjenkjenne fisken etter hvert som den blir større.

Dette klarer man til en viss grad å gjøre med mennesker i dag. Maskiner kan læres opp til å forstå hvordan utseende vårt endrer seg med alderen. Denne teknologien brukes blant annet i noen apper der du legger inn et bilde av deg selv, så gir den deg et konstruert bilde av hvordan du kan komme til å se ut om 30 år. Forskeren tror det skal være fullt mulig.

– Størrelsen på fisken kan dobles eller firedobles, men pigmentmønsteret i ansiktet kan relativt sett være det samme over tid, sier Mathisen.

Publisert tirsdag 9. mars 2021
414 74 423