ניקוד רווחה והתנהגות באמצעות ראייה ממוחשבת
ניקוד רווחה באמצעות ראייה ממוחשבת מיישם אלגוריתמים מאומנים לזיהוי תמונות על צילומי מצלמות תת-מימיות כדי להעריך באופן אוטומטי אינדיקטורים כגון מצב סנפירים, דפוסי שחייה, עוצמת תגובת האכלה, ונגעים או עיוותים גלויים. זה הופך את מה שדרש באופן מסורתי בדיקה ויזואלית ידנית על ידי צוות מיומן שדגם תת-קבוצה מהאוכלוסייה, להערכה אוטומטית רציפה של כל האוכלוסייה, שיכולה לזהות חששות רווחה מתפתחים מוקדם יותר ובעקביות רבה יותר מבדיקות נקודתיות ידניות תקופתיות. אימון מודל אמין לניקוד רווחה דורש מערך נתונים משמעותי של תמונות מתויגות על ידי מעריכים מנוסים, המכסה את כל מגוון התנאים הנורמליים והחריגים שהמודל צריך להבחין ביניהם. ביצועי המודל הם בדרך כלל ספציפיים למין ואף לאתר, שכן תאורה, צלילות מים ודפוסי התנהגות טיפוסיים משתנים מספיק בין מערכות שונות, כך שמודל שאומן על מין אחד או צילומים ממתקן אחד עשוי לדרוש אימון מחדש או כיול מחדש לפני שיפעל באופן אמין על מין אחר או במתקן עם מיקום מצלמה ותנאי מים שונים באופן משמעותי. אינדיקטורים התנהגותיים כגון דפוסי שחייה חריגים, תנועה לא יציבה, התנהגות התקבצות או התקהלות יוצאת דופן, עייפות, יכולים לשמש כאות אזהרה מוקדם המקדים תמותה גלויה או אבחון מחלה מאושר, ומעניקים לניטור התנהגות באמצעות ראייה ממוחשבת ערך פוטנציאלי כאינדיקטור מוביל המזין מודלים לחיזוי תמותה וזיהוי חריגות, במקום רק לתעד את מצב הרווחה לאחר שהבעיה כבר הפכה גלויה ויזואלית. מכיוון שניקוד רווחה נכלל יותר ויותר בביקורות הסמכה ובהערכות קיימות של קונים, חווה עם ניטור רווחה רציף ומגובה בנתונים יכולה לספק ראיות ניתנות לביקורת על ביצועי הרווחה לאורך זמן באופן שבו הערכה ידנית תקופתית, התלויה ברגעים הספציפיים שבהם מעריך נתקל, אינה יכולה להשתוות בהיקפה.
