Type de document : synthèse scientifique publiée dans Aquaculture, Fish & Fisheries
Auteurs : Fitzgerald, A., Ioannou, C.C., Consuegra, S., Dowsey, A. and Garcia de Leaniz, C.
Résumé en français (traduction) : Applications de la vision artificielle pour le contrôle du bien-être en aquaculture : Défis et opportunités
La prise en compte croissante du bien-être dans l’aquaculture a suscité l’intérêt pour des méthodes de surveillance non invasives qui évitent le stress et les manipulations inutiles. La vision artificielle offre une solution potentielle à ces besoins, car elle peut être utilisée pour la surveillance non invasive de la santé et du bien-être des animaux en temps réel. Nous avons examiné les applications pratiques de la vision artificielle pour la surveillance du bien-être en aquaculture, le matériel et les algorithmes utilisés pour la collecte automatisée des données, ainsi que les principaux défis et solutions pour le traitement et l’analyse des données. L’application la plus courante de la magnétoscopie a été l’estimation des paramètres liés à la taille (croissance, biomasse) des poissons, mais les aspects clés du bien-être, tels que la surveillance des parasites et des maladies ou la détection des comportements liés au stress, sont à la traîne. De nombreuses configurations de caméras ont été utilisées, allant des caméras simples aux caméras stéréoscopiques et des caméras immergées aux caméras submergées, mais elles ont souvent été utilisées dans des conditions optimales qui ne reflètent pas toujours celles qui prévalent dans l’industrie (fortes densités, faible visibilité), ce qui risque de surestimer les performances. Les algorithmes de détection d’objets, tels que YOLO, ont été l’approche de choix pour la plupart des applications MV en aquaculture, mais notre étude a permis d’identifier un nombre croissant d’alternatives qui peuvent aider à contourner certains des défis posés par les fortes densités et le faible éclairage typiques des fermes commerciales. La magnétoscopie a le potentiel de transformer le contrôle du bien-être en aquaculture, mais il reste d’importants défis à relever avant qu’elle ne devienne courante, à savoir la capacité de détecter les ectoparasites et les maladies, d’identifier les comportements anormaux et de travailler sur plusieurs taxons, en particulier chez les crustacés.
Résumé en anglais (original) : Increasing consideration of welfare in aquaculture has prompted interest in non-invasive methods of monitoring that avoid unnecessary stress and handling. Machine vision (MV) provides a potential solution to these needs, as it can be used for non-invasive monitoring of animal health and welfare in real-time. We examined the practical applications of MV for welfare monitoring in aquaculture, the hardware and algorithms used for automated data collection, and the main challenges and solutions for data processing and analysis. The most common application of MV has been the estimation of size-related metrics (growth, biomass) in fish, but key aspects of welfare, such as monitoring of parasites and disease or detection of stress-related behaviours, are lagging behind. Numerous camera setups have been used, ranging from single to stereoscopic cameras and from emersed to submerged cameras, but these have often been used under optimal conditions that may not always reflect those prevalent in industry (high densities, low visibility), likely overestimating performance. Object detection algorithms, such as YOLO, have been the approach of choice for most MV applications in aquaculture, but our review has identified an increasing number of alternatives that can help circumvent some of the challenges posed by high densities and poor lighting typical of commercial farms. MV has the potential to transform welfare monitoring in aquaculture, but there are still important challenges that need to be overcome before it can become mainstream, namely the ability to detect ectoparasites and diseases, identify abnormal behaviours, and work across taxa, particularly in crustaceans.
