De siste årene har et stort innslag av sei under minstemål skapt bekymring både i næringen og hos forvaltningsmyndighetene. Fangst av uønskede fiskeslag og undermålsfisk fører til økonomisk tap for fiskere og svekker bestandens langsiktige bærekraft. Det er derfor et presserende behov for teknologi som kan gi pålitelige estimater for artssammensetning og størrelse i en stim før notsetting. Ekkolodd og sonar er i dag sentrale verktøy som notflåten bruker for å detektere og kvantifisere mengden fisk i enkeltstående stimer, men eksisterende systemer for å estimere art og størrelse mangler tilstrekkelig nøyaktighet.
Maskinlæringsmodeller har i de senere årene gitt lovende resultater for automatisk artsidentifisering i akustiske data, særlig for tobis og makrell. Størrelsesestimering for fisk med svømmeblære har tradisjonelt vært basert på forholdet mellom akustisk målstyrke og fiskelengde, mens nyere bredbåndsakustikk åpner for direkte dimensjonering av enkeltfisk ved hjelp av høyere avstandsoppløsning. Prosjektet vil utvikle KI-modeller for arts- og størrelsesestimering av sei basert på ekkoloddata. Antagelsen er at stimenes egenskaper, for eksempel relativ frekvensrespons og stimens form, vil variere mellom størrelsesgrupper og dermed kan utnyttes til å estimere individstørrelse i stimene. Der enkeltfisk kan detekteres, kan størrelse estimeres direkte fra målstyrke. Modellene skal integreres i en robust systemarkitektur for sanntidskjøring om bord uten krav til kontinuerlig nettilgang.
