Toepasbaarheid van elektronische monitoring methode en self sampling voor het verzamelen van biologische gegevens ter verbetering van bestandsevaluaties en ondersteuning van uitzonderingen bij de landing obligation (acronym ‘VISIM’).

Centrale onderzoeksvraag/doel

Dit EFMZV project VISIM wil Machine Vision introduceren in de Belgische boomkorvisserij, met behulp van self-sampling, met het oog op hogere, meer uitgebreide datacollectie over vangsten en discards in deze specifieke visserijtak. De onderzoekers rekenen ook op meer data voor de zogenaamde data-gelimiteerde vissoorten, zoals onder andere Tarbot en Griet. De  Machine Vision technologie versterkt en vergemakkelijkt vermoedelijk ook de nodige  samenwerking tussen wetenschapper en visser. 

Onderzoeksaanpak

De onderzoekers plannen samenwerking met de bemanning van de Z483, een Belgisch boomkorvaartuig. Op dit schip testen we uit in welke mate we met  zowel klassieke beeldherkenningsmethoden als met Artificial Intelligence tot een nauwkeurige lengtemeting en soortherkenning komen van vissen die op een lopende band passeren. We onderzoeken de nauwkeurigheid van het systeem en de mogelijkheden en problemen bij implementatie.

Relevantie/Valorisatie

Tot voor dit project wordt slechts een klein percentage van de vangsten van de Belgische vloot gedocumenteerd door ILVO, en bestaan er vissoorten zoals tarbot, griet en bepaalde roggensoorten, waarvoor een tekort aan data heerst. De inschatting van hun verspreiding en densiteiten in de visgebieden is daardoor erg onzeker. Via de implementatie van een efficiënter, sneller, geautomatiseerd systeem voor data collectie aan boord van vissersschepen kan daaraan verhelpen. Ook voor de visser hebben de verbeterde datastes  een belang: hij weet dan op termijn beter waar zich op een bepaald moment de beste visgronden bevinden, op basis van lengteverdelingen per vangst.

Financiering
EFMZV
FIVA

Externe partner(s)
Omnis NV