Toepasbaarheid van self-sampling voor het verzamelen van biologische gegevens binnen de Belgische visserijsector ter verbetering van bestandsevaluaties voor commerciële vissoorten

Algemeen kader

Er zijn twee belangrijke stappen gezet richting autonome vissoortherkenning en vislengtebepaling via AI op Vlaamse commerciële vaartuigen, dankzij het EFMZV-onderzoeksproject VISIM2. Vooreerst is de meest geschikte (lees: compacte, lichte en robuuste) camerahardware  geselecteerd en getest, om boven een sorteerlijn te installeren. De apparatuur moest prima overweg kunnen met de beeldherkenningssoftware. Ten tweede is er qua AI-software een in de visveiling getraind prototype ontwikkeld. Dat kan realtime 20 vissoorten met een trefzekerheid van 98%  onderscheiden. De onderzoeksinspanningen passen in de doelstelling om een meer uitgebreide en betrouwbare datacollectie te laten ontstaan over zowel de vangsten als de discards. Dat is nuttig voor de vissers die veel rapporteringsverplichtingen hebben. Wanneer de wetenschappers via een samenwerking met vissersvaartuigen ook beter en veel sneller weten welke vissoorten van welke leeftijd waar te vinden zijn, dan mag er op termijn een actuelere en juistere dataset worden verwacht. Waarop vervolgens een verbeterd visserijbeheer (quota per visgrond) steunt. VISIM2 streeft daarbij naar een complementaire strategie, d.w.z dat machine vision de bestaande methoden aanvult. 

Onderzoeksaanpak

Het technisch einddoel is de geautomatiseerde self-sampling in de visserijpraktijk, via de introductie van technieken van Machine Vision in de Belgische boomkorvisserij. De  geavanceerde elektronische monitoring combineert moderne cameratechnologiën met artificiële intelligentie. De uitgebreide trainingsdataset heeft de uitdaging van diverse omgevingen meegenomen, zodat de adaptabiliteit en nauwkeurigheid van de herkenningssoftware groot is. De Vlaamse visveiling in Oostende als basisleeromgeving was een goede keuze omdat de (diverse) vangsten daar dagelijks aan land komen. We hebben ondervonden dat de overgang van individuele vaste camera's naar stereovisie flink wat complexiteit toevoegde, maar dat er wel een verfijnde benadering voor lengtemetingen ontstond. Daarnaast hebben we gefocust op het integreren van de apparatuur in meerdere systemen in vissersschepen zonder verstoring van dagelijkse werkzaamheden. Er is ten slotte een doordachte onderhoudsstrategie uitgewerkt om de langleefbaarheid te waarborgen. 

Relevantie/Valorisatie

Bij het beëindigen van dit project zijn er directe meerwaardes te zien: Er zijn voortaan meer data te verkrijgen over de zogenaamde data-gelimiteerde vissoorten, zoals onder andere tarbot en griet. Bij die vissoorten was de kans op een minder betrouwbare inschatting van de (gezondheid) van de populaties een risico. Dat wordt nu keiner. De Machine Vision technologie leidt tot een vlotte samenwerking tussen wetenschapper en visser. De visser heeft op termijn minder handwerk aan de sorteerband. De camera doet autonoom en zonder hinder het werk. VISIM2 is deel van een weloverwogen en participatief gerichte, holistische benadering om de Belgische boomkorvisserij te monitoren. De resultaten helpen mogelijks meerdere uitdagingen te tackelen: een gewenste nauwkeurigere dataverzameling; ontzorging en naadloze integratie van data richting het  Vistools-project (waarop de scores van Visserij Verduurzaamt steunen); een meer digitale monitoring van de Belgische boomkorvisserij; en zelfs inspiratie voor een potentieel monitoringsmodel voor het wereldwijde visserijbeheer.