ABSTRACT: Aquaculture in open sea-cages attracts large numbers of wild fish. Such aggregations may have various impacts on farmed and wild fish, the environment, fish farming, and fisheries activities. Therefore, it is important to understand the patterns and amount of wild fish aggregations at aquaculture sites. In recent years, the use of artificial intelligence (AI) for automated detection of fish has seen major advancements, and this technology can be applied to wild fish abundance monitoring. We present a monitoring procedure that uses a combination of multiple cameras and automatic fish detection by AI. Wild fish in images collected around commercial salmon cages in Norway were automatically identified and counted by a system based on the real-time object detector framework YOLOv4, and the results were compared with manual human counts. Overall, the automatic system resulted in higher fish numbers than the manual counts. The performance of the system was satisfactory regarding false negatives (i.e. non-detected fish), while the false positive (i.e. objects wrongly detected as fish) rate was above 7%, which was considered an acceptable limit of error in comparison with the manual counts. The main causes of false positives were confusing backgrounds and mismatches between detection thresholds for automated and manual counts. However, these issues can be overcome by using training images that represent real scenarios (i.e. various backgrounds and fish densities) and setting proper detection thresholds. We present here a procedure with great potential for autonomous monitoring of wild fish abundance at aquaculture sites.

中文翻译：

---

一种在水产养殖场所监测野生鱼类的新方法：使用计算机视觉进行野生鱼类存在分析

摘要：开放式海笼养殖吸引了大量的野生鱼类。这种聚合可能对养殖和野生鱼类、环境、养鱼和渔业活动产生各种影响。因此，了解水产养殖场所野生鱼类聚集的模式和数量非常重要。近年来，利用人工智能（AI）自动检测鱼类取得了重大进展，该技术可应用于野生鱼类丰度监测。我们提出了一种监控程序，该程序结合了多个摄像头和 AI 自动鱼检测。基于实时物体检测框架 YOLOv4 的系统自动识别和计数挪威商业鲑鱼笼周围采集的图像中的野生鱼类，并将结果与​​人工计数进行比较。总体而言，自动系统产生的鱼数高于手动计数。系统在假阴性（即未检测到鱼）方面的性能令人满意，而假阳性（即物体被错误检测为鱼）率在 7% 以上，与人工计数相比，这被认为是可接受的错误限制. 误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。自动系统产生的鱼数高于人工计数。系统在假阴性（即未检测到鱼）方面的性能令人满意，而假阳性（即物体被错误检测为鱼）率在 7% 以上，与人工计数相比，这被认为是可接受的错误限制. 误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。自动系统产生的鱼数高于人工计数。系统在假阴性（即未检测到鱼）方面的性能令人满意，而假阳性（即物体被错误检测为鱼）率在 7% 以上，与人工计数相比，这被认为是可接受的错误限制. 误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。系统在假阴性（即未检测到鱼）方面的性能令人满意，而假阳性（即物体被错误检测为鱼）率在 7% 以上，与人工计数相比，这被认为是可接受的错误限制. 误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。系统在假阴性（即未检测到鱼）方面的性能令人满意，而假阳性（即物体被错误检测为鱼）率在 7% 以上，与人工计数相比，这被认为是可接受的错误限制. 误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。与手动计数相比，这被认为是可接受的错误限制。误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。与手动计数相比，这被认为是可接受的错误限制。误报的主要原因是背景混乱以及自动和手动计数的检测阈值不匹配。然而，这些问题可以通过使用代表真实场景（即各种背景和鱼密度）的训练图像并设置适当的检测阈值来克服。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。各种背景和鱼密度）并设置适当的检测阈值。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。各种背景和鱼密度）并设置适当的检测阈值。我们在此介绍了一种具有巨大潜力的水产养殖场所野生鱼类丰度自主监测程序。