Lakselus har alltid plaget
og snyltet på vill laksefisk. Den er et av
laksebransjens største problem.
Nå har forskere fra
NTNU og Universitetet i Wageningen i Nederland utviklet en ny metode som kan gi
bedre kontroll på snylterne.
De har utviklet store datasett over lakselus som KI-modellene kan trene på for å kjenne igjen
lus.
I en ny studie viser forskerne hvordan metoden kan gjøre
lusejakten mye mer effektiv.
– Skal vi lykkes i å ta knekken på lusa, er det best å forebygge og hindre kontakt mellom parasitten og fisken, sier forsker Lars Christian Gansel.(Foto: FotografMA)
KI var bedre enn erfarne biologer
Forskerne gjorde en sammenligning:
Biologer brukte over 30 timer over flere dager på å
identifisere 82 prosent av luselarvene i én stor og kompleks prøve med sjøvann.
På den samme prøven trengte KI-modellen kun 30 minutter på å identifisere 97,5
prosent av larvene.
– Det brukes og
prøves ut mange tiltak for å bekjempe lakselus. Det er gjerne den samlede
effekten av flere tiltak som vil gi bedre helse både for oppdrettslaks og vill
laksefisk, sier forsker Lars Christian Gansel.
Han leder Institutt for biologiske fag ved NTNU i Ålesund og har vært med og
utvikle metoden.
– For å dokumentere
effekten av metoder i bruk, samt utvikling og tilpasning av nye tiltak
trenger vi mer informasjon om spredning av lakseluslarver. Modellen vår gjør
det mulig å få denne informasjonen, sier han.
Viktig å oppdage larver tidlig
Hvert år settes det
ut mellom 400 og 450 millioner settefisk av laks og regnbueørret i merder i
Norge.
Ett oppdrettsanlegg kan inneholde millioner av laks. Det kan spre
millioner av luselarver ut i fjordene hver eneste dag.
– Skal vi lykkes i å
ta knekken på lusa, er det best å forebygge og hindre kontakt mellom parasitten
og fisken. For å utvikle, evaluere og dokumentere effekt av metoder som kan
forebygge, gjelder det å oppdage larvene mens de ennå driver rundt i sjøen, sier
forskeren.
Måling av larver direkte i sjø vil ta vekk en del av usikkerheten i dagens system, der mengden larver beregnes ut fra lusetallet på oppdrettsfisken.(Foto: Scanpix / NTB)
Vanskelig å telle lakselus
I forhold til plankton og andre partikler kan lusa faktisk betegnes som en sjelden organisme, ifølge Gansel.
Det er fordi det finnes hundretusenvis av andre organismer per lakseluslarve i sjøen.
Annonse
– Derfor må vi
analysere store vannmengder for å overvåke lus i sjøen. Bruker vi for lite
vann, kan vi lett over- eller underestimere antallet, sier han.
Med de metodene som
er brukt til gjennomgående overvåkning av lakseluslarver hittil, blir arbeidet
både tungvint, upresist, tidkrevende og dyrt.
Lakseluslarve i mikroskop. Denne er på nauplius-stadiet. Det er det første stadiet etter klekking, da larvene flyter rundt i sjøen.(Foto: SINTEF)
Forskerne lagde 120.000 lusebilder
– Tilgjengelige
kamerasystem til analyse av plankton har gjerne for lite oppløsning til å
skille arter og utviklingsstadier. Det finnes ennå ingen ferdig dokumentert
metode til kontinuerlig overvåking av lakselus i sjøen, understreker
Gansel.
Kunstig intelligens
og maskinlæring har seilt opp som en mulighet. Utfordringen har vært mangel på
høyoppløste, klare, beskrivende bilder av larver i ekte sjøvannsmiljø å trene
KI-modellene på.
Forskerne ved NTNU og Universitetet i Wageningen kan ha funnet
en løsning. De har laget et eget video-mikroskop og mer enn 120.000 bilder av luselarver og andre organismer.
De har latt KI-modeller
trene på de syntetiske dataene.
– Modellene fungerte
like bra som ekspertene som brukte mikroskop. Selv om noen andre arter i sjøen
kan ligne, klarte modellen å skille ut hva som var lakselus i store ekte
sjøvannsprøver, sier Gansel.
Oppdrett har ført til at mengden lus har skutt i været.(Foto: Bengt Finstad)
De klekket lakselus til KI-trening
Forskerne har
konsentrert partikler på størrelse med lakselus fra hundrevis av
sjøvannsprøver.
Totalt har de hentet og filtrert flere tusen kubikkmeter
sjøvann ved oppdrettsanlegg og sjøareal nær Ålesund.
Forholdene i sjøen kan
variere med årstider og steder. Når det er få lakselus i omløp, tar det lang
tid å lage gode datasett fra prøvene.
Annonse
For å lage mer treningsmateriale, klekket forskerne ut lakseluslarver selv, som
de tilsatte vannprøvene. Deretter lot de vannet renne sakte gjennom et
glassrør, mens de filmet partiklene i vannstrømmen med et videomikroskop.
Bildet på skjermen er utklipp fra en video med plankton inkludert en luselarve, som blir gjenkjent av systemet.(Foto: Lars Christian Gansel)
Enkeltbildene fra videoene vil ikke vise alle sider av larvene. Kanskje beveger de seg, og kanskje driver de bare i enkelte deler av røret.
– Fordi vi bare ser noen få av alle tilstander som er mulig, kan vi forbedre modellene ved å lage syntetiske data som brukes sammen med mange vanlige videoer, sier Gensel.
Lakselus kan også variere litt i størrelse.
– For å hensynta forskjellene kan vi skalere lusa, snu og vende på dem, og ta inn flere lus i samme bilde. Det samme kan vi gjøre med plankton og organismer som kan ligne lakselus, for å gjøre modellen enda bedre, forklarer Gansel.
De nye modellene fjerner mye usikkerhet
Modellene kan brukes til å overvåke lusebelastningen i områder der det forventes villfisk.
De kan brukes til å beregne frislipp av larver, og undersøke hvordan de spres, vokser og utvikler seg.
Overvåkning kan være en støtte for å vurdere mulige tiltak, og er viktig når man skal anslå sjansen for smitte mellom oppdrett og vill laksefisk, forklarer forskeren.
– Måling av larver direkte i sjø vil ta vekk en del av usikkerheten i dagens system, der mengden larver beregnes ut fra lusetallet på oppdrettsfisken, sier Lars Christian Gansel.
– Slik kan vi kan ta bedre avgjørelser for hvor vi kan drive oppdrett, og hvilke tiltak vi kan sette inn mot lus, sier han.
A og C er ekte originalbilder tatt med videomikroskop. B og D er syntetiske bilder: Røde rammer inneholder «Nauplius». Brune: «Kopepoditter».(Bildemontasje: Sølvi W. Normannsen)
Læreprosessen til KI kan sammenlignes med når mennesker lærer abstrakte begreper. For å lære oss hva som er en stol, kan vi bruke mange bilder av en stol.
Hjernen lager seg en modell av stolen, og vi forstår hva som utgjør en stol. Trener vi kun på bilder av blå stoler med fire bein, blir vi fort gode til å kjenne igjen akkurat slike stoler.
Da er det ikke gitt at vi kjenner igjen en rød stol med tre bein, som en stol. Trener vi med forskjellige stoler, blir vi bedre til å kjenne igjen forskjellige stoler.
Samtidig kan hjernen begynne å generalisere. Altså kjenne igjen også små bord som en stol. Derfor er det viktig å trene på gjenstander som kan ligne en stol, men som ikke er det.
Det samme gjelder for KI-modeller og treningsdata for lakselus. Derfor må dataene de trener på inneholde mange forskjellige bilder av lus, men også andre organismer og partikler.
