Utvikling av et flow-system for filming av planktonprøver som kan analyseres ved bruk av kunstig intelligens

Lakselus er i dag et stort problem for oppdrettsnæringen. Trafikklyssystemet er utviklet for å overvåke, kontrollere og begrense spredningen av lakselus. En av utfordringene knyttet til trafikklyssystemet, er å validere om antall planktoniske lakseluslarver i gitt område, reflekterer virkeligheten. Videre blir antallet nødvendige prøver for å oppnå representativ data, påvirket av tidsbruk og prosesseringskapasitet. Denne bacheloroppgaven tar for seg utviklingen av et flow-system som tilrettelegger for bruken av kunstig intelligens til analysering av organismer i planktonprøver. Oppgaven omhandler utvikling av et oppsett bestående av lupe, kamera, pumpe og observasjonskammer. Oppgaven beskriver fire hovedprosesser; lyskilder, pumpehastighet, kamerainnstillinger, og utvikling av et observasjonskammer. I tillegg har det blitt gjennomført innsamling og behandling av planktonprøver, og dyrking av lakseluslarver. Ferske planktonprøver ble benyttet som observasjonsgrunnlag til utvikling av flow-systemet. Det ble gjennomført forsøk med kameraet, lupe og pumpens ulike innstillinger. Innsamling av plankton ble utført ved bruk av en planktonhåv. For å samsvare med størrelsen til lakselusens planktoniske stadier, ble prøvematerialet filtrert til plankton i størrelser mellom 180-500μm. Prøvene ble tilsatt etanol, og fortynnet til ønsket tetthet. Vertikal innsamlingsmetode viste til en høyere prøvetetthet ved innsamling. Resultatene viser til at ved filming av prøvemateriale ga kameraoppløsningen «L 24M 6000 x 4000» sammen med lyskilde under objektbordet, og 9x forstørrelse de klareste bildene. Pumpehastighet på 5 ml/min ga best bildekvalitet. Lavere hastigheter førte til klarere bilder, men mer tidsbruk. Høyere hastigheter førte til redusert bildekvalitet, men mindre tidsbruk. Resultatene viser til at flow-systemet ga videoer av god nok kvalitet til å kunne brukes som trenings- og valideringsdata til en AI-programvare. De opparbeidede resultatene kan bli brukt til å bestemme hvordan man kan utvikle et flow-system i kombinasjon med kunstig intelligens, for analysering av organismer i en planktonprøve. Salmon lice are a major problem for the aquaculture industry today. The traffic light system has been developed to monitor, control, and limit the spread of salmon lice. One of the challenges associated with the traffic light system is to validate whether the number of planktonic salmon lice larvae in a given area, reflects reality. This bachelor's thesis deals with the development of a flow system that facilitates the use of artificial intelligence for counting and identifying salmon lice larvae in plankton samples. The thesis deals with the development of a setup consisting of a microscope, camera, pump, and observation chamber. The thesis describes four main processes: light sources, pump speed, camera settings, and the development of an observation chamber. The thesis also describes processes as collection of plankton samples and cultivating salmon lice. Fresh plankton samples have been used as basis of observation for the development of the flow-system. There has been conducted experiments with camera, microscope, and the pump´s different settings. Collection of plankton has been done with a plankton net. To match the size of the salmon lice platonic stages, the plankton was filtered to be in a size from 180-500μm. Ethanol were added to the plankton samples, before they were diluted to the desired density. Vertical collection method resulted in a higher sample density. The results indicate that filming with the camera setting «L 24M 6000 x 4000» in combination with a light source under the object table, and a 9x magnification provided the clearest pictures. A pump speed at 5ml/min gave the best pictures. A lower pump speed resulted in better image quality, but more time usage. A higher pump speed resulted in a reduced image quality, but with lower time usage. The results indicate that the flow-system provided videos of sufficient quality to be used as training data for AI-software. The results attained from this thesis can be used to develop a flow-system in combination with artificial intelligence, for analyzing organisms in a plankton sample.