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.
Die Lösung passt zur Tätigkeit in einem fachlichen Kontext, aber nicht automatisch zu jedem Beruf mit dieser Tätigkeit.