Publisert: 23.06.2022 Oppdatert: 05.07.2022
Som årringene i en trestamme, lagrer fisk informasjon i skjellene sine. Hos laks kan erfarne eksperter tolke fiskens alder, hvor lenge den har vært i sjøen, hvor mange ganger den har gytt og om den stammer fra et oppdrettsanlegg. Det kan være en møysommelig oppgave.
Derfor har HI-forskere nå lært opp kunstig intelligens, et såkalt nevralt nettverk, til å tolke bilder av lakseskjell sett gjennom lupe. Resultatet er publisert vitenskapelig.
– Det nevrale nettverket ble 97 prosent treffsikkert til å skille oppdrettslaks fra villaks. Men dette er en relativt enkel oppgave som også ekspertene ser raskt, sier Endre Moen, informatiker ved HI.
– De mest interessante spørsmålene er hvor lenge laksen har levd i henholdsvis sjøen og i elva, fortsetter han.
Her målte forskerne prestasjonen til det nevrale nettverket etter hvor ofte det var enig med seks menneskelige eksperter.
– Nettverket var 94 prosent enig med ekspertene til å tolke alderen i sjø. Det er faktisk nest best – slått av én menneskelig ekspert som var 97 prosent enig med de andre, sier Moen.
Til å tolke laksenes alder i elva fikk nettverket en score på 66 prosent. Der lå ekspertene på mellom 75 og 85 prosent, men de hadde tilgang på mer informasjon enn bare bildet. For eksempel hvilken elv fisken stammet fra.
Laksen har nemlig lokale vaner for når den forlater elva som smolt. Det kan være mellom 2-6 år, avhengig av de lokale forholdene, som vanntemperatur og størrelsen på elva.
Her er ett av flere tusen skjell som gikk inn i studien. Det mørkegrå feltet nederst i bildet er delen av skjellet som er synlig utenpå laksen. Alderen er tolket av en ekspert.
Elve-alderen var uansett det vanskeligste for både kunstig og menneskelig intelligens.
– Å tolke elve-alder er en vanskeligere oppgave der ekspertene er mest uenige seg imellom. Dette viser igjen i det nevrale nettverket, forklarer Endre Moen.
For å trene det nevrale nettverket, matet nemlig forskerne det med over 6000 bilder av lakseskjell, sammen med ekspertenes tolkninger. Etterpå gikk det opp til «eksamen» ved selv å tolke 150 nye bilder.
Dette kalles veiledet læring (se faktaboks).
– Tilfeller der ekspertene er usikre eller uenige, vil altså gjøre den kunstige intelligensen mer usikker når den selv går i gang.
Det er ikke gitt at det nevrale nettverket legger merke til de samme trekkene som menneskene. Forskerne vet ikke nøyaktig hvordan den kommer frem til riktig svar.
– Vi vet at det først ser etter enkle trekk i bildene, som korte linjer på kryss og tvers. Det kan være nettverket vektlegger både formen og størrelsen på skjellene, eller helt andre ting, sier Moen.
Typen nevralt nettverk forskerne har brukt er egentlig laget for å kjenne igjen objekter i bilder, som for eksempel hunder og katter.
Studien er i første omgang laget for å demonstrere hvilke muligheter den nye teknologien tilbyr.
– Enn så lenge er det ikke forsvarlig å overlate hele lakseskjelltolkningen til et nevralt nettverk. Men som et forsiktig første steg er det mulig å ta det inn som én av flere eksperter i et panel. Der kan det avlaste eller bidra til økt treffsikkerhet, sier Endre Moen.
Vabø, Rune, Endre Moen, Szymon Smoliński, Åse Husebø, Nils Olav Handegard, and Ketil Malde. "Automatic interpretation of salmon scales using deep learning." Ecological Informatics 63 (2021): 101322.
Lenke: https://www.sciencedirect.com/science/article/pii/S1574954121001138#f0015