Kameras an Fangnetzen zeichnen auf, welche Fische durch Ausschlussvorrichtungen entkommen. Bilderkennung klassifiziert die Tiere automatisch und ersetzt die mühsame Sichtung von Stunden an Videomaterial.
Ihre Versuche liefern schneller belastbare Daten, weil Bilderkennung Videos vorsortiert.
Um unerwünschten Beifang zu verringern, werden Netze mit Ausschlussvorrichtungen ausgestattet, durch die bestimmte Arten entkommen können. Ob das gelingt, zeigt nur Videomaterial aus dem Netz, das bisher von Menschen in langen Sitzungen ausgewertet wird. Bilderkennung kann Fischarten in den Aufnahmen erkennen, zählen und Ereignisse markieren. So reduziert sich die Zahl der Bilder, die Fachleute prüfen müssen. Forschende bewerten damit schneller, wie wirksam neue Netzkonstruktionen sind. Die Auswertung geschieht nachträglich; Fangentscheidungen und Kontrolle bleiben bei Menschen.
Feste Bildregeln scheitern an Trübung, Bewegung und wechselnder Beleuchtung unter Wasser. Lernende Modelle erkennen Arten auch unter schwierigen Bedingungen, weil sie aus vielen Beispielen lernen.
Betriebe mit belegbar selektiven Geräten haben Vorteile bei Genehmigungen und Märkten.
Je schneller neue Netze bewertet werden, desto früher stehen selektivere Geräte zur Verfügung. Das senkt Risiken durch Beifang-Obergrenzen und Genehmigungen.
Videosichtung wird automatisiert vorgefiltert; Fachleute prüfen die Treffer.
Forschende verbringen weniger Zeit mit Videosichtung und mehr mit Auswertung und Versuchsdesign.
Die Rolle wird analytischer; Handarbeit am Bildschirm nimmt ab.
Gefragt sind Verständnis für Bilderkennung, Stichprobenprüfung und Datenqualität.
Verbraucher merken die Technik nicht; Nachweise zu Fangmethoden können transparenter werden.
Beifang betrifft geschützte Arten und die Akzeptanz der Fischerei.
Verbreitung: Dokumentiert bei 1 Organisation – 1 Pilot/Erprobung · Stand 09/2025
Praxisbeispiel für Unternehmen · NOAA Fisheries · Proof of Concept (Stand 09/2025) · Beleglage hoch
NOAA Fisheries setzt Computer Vision und Deep-Learning-Modelle ein, um Lachs-Beifang in Schleppnetzen der Alaska-Seelachs-Fischerei automatisiert zu identifizieren. Damit wird das Verhalten von Fischen an Ausschlussvorrichtungen überwacht, um unerwünschten Lachsbeifang vor dem Einholen des Netzes entkommen zu lassen.
Forschende des Alaska Fisheries Science Center passten das Objekterkennungsmodell YOLOv11 an Videoaufnahmen von Kamerasystemen (Sexton trawl cameras) an, die direkt an den Auslassöffnungen von Schleppnetzen angebracht sind. Das Modell wurde anhand von über 85.000 Annotationen trainiert, um Lachse und Pollock zuverlässig zu klassifizieren. In Testläufen auf vollständigen Fängen sagte das Modell das Vorkommen von Lachsen mit 99,3 Prozent Genauigkeit voraus und reduzierte die Anzahl der manuell zu sichtenden Videobilder um 85 Prozent. Die Machbarkeitsstudie dient als Basis für weiterführende automatisierte und perspektivisch echtzeitfähige Selektionswerkzeuge.
Ergebnis: In Testläufen reduzierte das Modell die manuell zu sichtenden Videobilder um 85 Prozent und sagte die Anwesenheit von Lachsen mit 99,3 Prozent Genauigkeit voraus.
Forschende werten Videos von Fangnetzen schneller aus, weil Bilderkennung Fische vorsortiert und markiert. Dokumentiert ist eine Machbarkeitsstudie.
„Advancements in Artificial Intelligence forms such as computer vision, machine learning, and deep learning assist with processing data.“
Gestützt auf einen dokumentierten Praxisfall.
Schnellere Bewertung von Netzvarianten kann Entwicklung und Genehmigung selektiverer Fanggeräte beschleunigen; belastbare Zahlen liegen nicht vor.
Gestützt auf einen dokumentierten Praxisfall.
Das Modell erkannte die untersuchten Arten sehr zuverlässig; weniger Beifang schützt Bestände nicht gewünschter Arten.
„The model was highly accurate at detecting pollock and salmon.“
Gestützt auf einen dokumentierten Praxisfall.
Selektivere Netze können Beifang senken; gemessene Wirkungen in der Praxis liegen nicht vor. Übergreifend erwarten Energieanalysen, dass sich der Strombedarf von Rechenzentren bis 2030 mehr als verdoppelt.
„It projects that electricity demand from data centres worldwide is set to more than double by 2030 to around 945 terawatt-hours (TWh)“
Gestützt auf einen dokumentierten Praxisfall.
Falsch erkannte Arten verfälschen die Bewertung einer Fangvorrichtung; Ergebnisse müssen von Fachleuten geprüft werden. Das System ist voraussichtlich kein Hochrisiko-System nach dem EU AI Act; Betreiber müssen voraussichtlich nach Artikel 4 für KI-Kompetenz sorgen.
„Die Anbieter und Betreiber von KI-Systemen ergreifen Maßnahmen, um nach besten Kräften sicherzustellen, dass ihr Personal und andere Personen“
Belegt: eine abgerufene Quelle oder ein freigegebener Praxisfall trägt die Aussage. Eingeordnet: redaktionelle Einschätzung. Offen: dazu ist nichts dokumentiert. Keine Rechtsberatung.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.
Die fachliche Passung wurde KI-gestützt anhand der Anwendung und der beruflichen Aufgaben geprüft. Daraus folgt keine gemessene KI-Wirkung auf den gesamten Beruf.