Chao Zhang
Artificial Intelligence for Salmon Farming
Aquacultuur speelt een belangrijke rol in de mondiale voedselzekerheid en menselijke voeding, maar de verdere ontwikkeling ervan vereist een meer verantwoord en duurzaam beheer. Dit is bijzonder uitdagend bij de kweek van Atlantische zalm in open kooien op zee, waar vissen worden gekweekt in grote en dynamische mariene omgevingen en informatie over omgevingsomstandigheden, gedrag, gezondheid, welzijn en regelgevingsrisico's vaak onvolledig, vertraagd of onzeker is. Effectief beheer hangt daarom af van het verbeteren van de manier waarop boerderijgegevens, wetenschappelijke kennis en regelgevende informatie worden verkregen, geïnterpreteerd en gebruikt.
Het overkoepelende doel van dit proefschrift is om te onderzoeken hoe op kunstmatige intelligentie (AI) gebaseerde methoden de waarneming van de toestand van de boerderij, welzijnsbeoordeling en besluitvormingsondersteuning in de zalmkwekerij kunnen ondersteunen, en zo kunnen bijdragen aan een transparanter en wetenschappelijk onderbouwd beheer van de aquacultuur. De kweek van Atlantische zalm is gekozen als casussysteem vanwege de combinatie van productie in open omgevingen, welzijns- en bioveiligheidsrisico's en wettelijke vereisten.
Het proefschrift behandelt drie onderling verbonden managementlagen die elk een cruciaal knelpunt vormen tussen gegevensverwerving, kennisgebruik en managementbeslissingen. Zalmluizen dienen als representatieve casus op de waarnemingslaag, waar AI-gebaseerde detectie van vroege planktonische stadia in zeewater wordt onderzocht. Op de welzijnslaag wordt AI-ondersteunde extractie en classificatie van wetenschappelijke uitspraken onderzocht ter ondersteuning van welzijnsmodellering. Op de besluitvormingslaag wordt een modulair AI-agent-raamwerk verkend voor het integreren van informatie in op bewijs gebaseerde besluitvorming. Het proefschrift is als volgt opgebouwd:
Hoofdstuk 2 onderzoekt de detectie van planktonische stadia van zalmluizlarven in zeewater met een nieuw online beeldverwervingssysteem. Een dataset van 8316 beelden werd gebruikt om zestien objectdetectiemodellen te evalueren, waarbij RT-DETR de beste resultaten behaalde (97,2% precisie). Dit is de eerste studie naar snelle detectie van larven in verschillende stadia in zeewatermonsters.
Hoofdstuk 3 breidt dit uit naar complexe real-world omgevingen waar larven schaars zijn te midden van onzuiverheden. Een geautomatiseerde synthetische datageneratiemethode op basis van het Segment Anything Model (SAM) verbeterde de modelprestaties aanzienlijk, met een stijging van de recall met 11,0% tot 87,0% in praktijktests.
Hoofdstuk 4 introduceert 'Online Synthetic Training' (SDOST), waarbij tijdens de training dynamisch nieuwe beeldcomposities worden gegenereerd. Dit mechanisme vermindert overfitten en verbetert de F1-scores aanzienlijk, vooral onder omstandigheden met weinig beschikbare data.
Hoofdstuk 5 richt zich op AI-ondersteunde kennisextractie voor dierenwelzijn. Er werd een NLP-raamwerk ontwikkeld om automatisch welzijnsgerelateerde uitspraken uit wetenschappelijke literatuur te identificeren met een precisie van 96,0%. Dit ondersteunt de systematische constructie van welzijnsmodellen en vermindert handmatig screenwerk.
Hoofdstuk 6 introduceert het 'Salmon Farm Multi-Agent Decision Support System' (S-MADSS). Dit systeem combineert traceerbare bewijsvoering met gespecialiseerde agenten die adviseren vanuit regelgevende, welzijns- en technische perspectieven. Casestudies tonen aan dat S-MADSS effectief verschillende factoren kan coördineren binnen een uniforme workflow.
Hoofdstuk 7 vat de bevindingen samen en bespreekt de bredere implicaties voor duurzame aquacultuur en de rol van menselijk oordeel bij AI-ondersteund beheer.
Dit proefschrift legt de methodologische fundamenten voor een meer op bewijs gebaseerde en transparante zalmkwekerij. De ontwikkelde methoden zijn bedoeld om menselijke besluitvorming te ondersteunen door complexe data en regelgeving expliciet en inzichtelijk te maken.
| Publicatiedatum | 2 december 2026 |
| Universiteit | Wageningen University |
| Auteur | Chao Zhang |
| DOI nummer | 10.18174/682161 |