Toepasbaarheid van self-sampling voor het verzamelen van biologische gegevens binnen de Belgische visserijsector ter verbetering van bestandsevaluaties voor commerciële vissoorten (VISIM 2)

Het EFMZV-project VISIMII mikt op de introductie van de technieken van Machine Vision in de Belgische boomkorvisserij. In deze specifieke visserijtak ontwikkelen we dus een geautomatiseerde self-sampling. Zo kan er een hogere, meer uitgebreide datacollectie ontstaan over zowel de vangsten als de discards. De onderzoekers verwachten daarbij ook meer data te verkrijgen 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.

De onderzoekers ontwikkelen een mobiel compact systeem dat gemakkelijk aan boord bevestigd kan worden bij aanvang en gedemonteerd kan worden na afloop van een vistrip. Op zowel de visveiling als de commerciële vissersschepen testen we uit in welke mate we met deep learning tot een nauwkeurige lengtemeting, volumemeting en soortherkenning kunnen komen van vissen die op een lopende band passeren. We onderzoeken de nauwkeurigheid van het systeem en de mogelijkheden en problemen bij implementatie. Door de explicitete focus op de werkomgeving van de visser garanderen we een goede integratie in de werkprocessen en een lage (extra) impact op het werk aan boord. 

Tot op heden wordt slechts een klein percentage van de vangsten van de Belgische vloot gedocumenteerd door ILVO, die verantwoordelijk is voor de nuttige en geactualiseerde datasets ovenr de visbestanden in onze mariene gebieden. Er heerst voor minder courante soorten zoals tarbot en griet een tekort aan data. De inschatting van hun werkelijke verspreiding en densiteit in visgebieden is daardoor erg onzeker. De implementatie van een efficiënter, sneller, geautomatiseerd systeem voor datacollectie aan boord van vissersschepen kan dat verhelpen. Ook de visser heeft bij de verbeterde datasets een belang: hij weet dan op termijn beter waar zich op een bepaald moment de beste visgronden bevinden, op basis van de lengteverdelingen per vangst. In de toekomst kan dit soort data ook gebruikt worden voor evaluaties van visbestanden en vangstvoorspellingsmodellen.