.
🇫🇷 Version française ci-dessous
The fishing industry is an eternal tug-of-war. On one side, regulatory bodies that want to protect the resource. On the other, fishers who want to exploit it. Finding the balance depends entirely on data, and in an oceanic context, that data is extremely expensive to obtain.
“We find ourselves in the fog, meaning we don’t have data on the seabed to be able to make informed decisions and properly manage our resources,” summarizes Guillaume Morissette, Director of Research and Development at CIDCO, the Interdisciplinary Center for the Development of Ocean Mapping, based in Rimouski.
The reality is simple: traditional stock assessment methods — divers, baited traps, trawling — are costly, infrequent, often destructive, and produce data that becomes obsolete in the face of climate change.
CIDCO.ca is a nonprofit research center that bridges industry and academic institutions. With a $1.8-million project over three years, launched in August 2025, its team is developing an artificial intelligence system coupled with an underwater drone to map the seabed, species by species, and replace the fog with evidence-based data.
Google Maps, but underwater
The process begins with defining a digital study area: a georeferenced polygon that the drone can travel identically year after year, ensuring measurement repeatability. The drone used is an autonomous, electric underwater vehicle, the Iver 3, which doesn’t touch the bottom. It is equipped, among other things, with a high-resolution camera that continuously photographs the seabed. In a single day, it covers roughly twenty linear kilometers.
The images are then stitched together to create a large georeferenced photo of the seabed.
“Think Google Maps, but at the bottom of the water, with 2 mm resolution,” illustrates Morissette.
Every pixel of this mosaic has precise geographic coordinates. Artificial intelligence algorithms then dissect this image to detect, identify, and measure each specimen: sea urchins, scallops, crabs, lobsters. The result is a geospatial map of species distribution across the entire study area.
For fishers, this information is a game changer. They can identify zones where commercial-sized specimens are concentrated, avoid juvenile zones to protect stock renewal, and reduce the area to cover. Fewer zones to comb means less fuel, less impact on the seabed, and better profitability.
“It’s truly a methodology that aims to reconcile the economic interests of the fishing industry with the environmental interests of regulatory bodies,” explains Morissette.
From several months to a few minutes
The methods CIDCO seeks to replace are not only slow and energy-intensive — they’re also biased. Trap sampling, for example, attracts dominant specimens first, which skews the population’s representativeness. Trawling scrapes the seabed and destroys habitat in its path. Diver surveys are one-off and limited in scope.
“A biologist who was analyzing a study area by hand — it could take months,” recalls Morissette. “Now it’s a matter of minutes.”
CIDCO’s underwater drone doesn’t touch the bottom, doesn’t disturb the species, and produces structured, reproducible data. Repeatability is built into the process: the same digital polygon can be travelled each season, making it possible to measure stock changes over time rather than relying on a single isolated snapshot.
Frederick Blouin, CIDCO’s Executive Director, emphasizes the impact: “We’re providing low-environmental-impact tools, at a better frequency, with better efficiency, and whose use can be improved for different users.”
A deliberately lean AI
CIDCO’s learning model is built on a “human-in-the-loop” architecture: supervised learning where biologists show the model photographs of specimens to teach it to recognize each species. Secondary zero-shot agents assist human annotators by pre-detecting areas of interest across kilometers of images to review, considerably accelerating the training process.
But the most telling technological choice concerns the models’ architecture itself. Rather than following the trend of large language models (LLMs), which are energy-intensive to train and run, CIDCO uses convolutional neural networks and hybrid models known as “mixtures of experts”—several specialized networks that “vote” together to determine the detected species. The result: models that run on 30-watt devices, with a near-negligible carbon footprint.
“There are choices to be made when it comes to technology,” notes Morissette. “Sometimes you have to go off the beaten path, not follow trends, to find options that serve the environment’s interests.”
Underwater imagery adds an extra layer of complexity. Turbidity, chromatic distortion — the deeper you go, the more everything turns green — and sediment movement require rigorous preprocessing: synchronized strobes to capture colours at the right moment, chromatic correction algorithms, and data augmentation techniques adapted to the taxonomic specificities of each region. The team also uses transfer learning, building on models trained in the Pacific or Europe to accelerate local development.
More in common than apart
The project brings together stakeholders with sometimes opposing interests: the Department of Fisheries and Oceans, Université Laval, Polytechnique Montréal, the Professional Fishers’ Association of Southern Gaspésie, and two First Nations — the Wolastoqiyik Wahsipekuk and the Innu of Pessamit. All for $1.8 million in funding over three years, supported by CRIBIQ and MEIE.
“There’s a necessary diplomatic effort,” acknowledges Morissette. “But in the end, we have far more in common than differences. We can all agree on one thing: if we destroy the resource, there will be no more profitability and there will be nothing left to protect.”
CIDCO positions itself as a facilitator, bringing discussions back to the common objective: sustainable exploitation, based on data rather than power dynamics.
The project first targeted green sea urchins, a species that is easy to detect, barely mobile, and ideal for validating the concept. The first proof of concept was carried out in partnership with the Maurice Lamontagne Institute and the Department of Fisheries and Oceans, as part of an urchin fishery exploration permit for the Wolastoqiyik Wahsipekuk First Nation. The model is now expanding to rock crab, snow crab, and lobster — more dynamic species whose identification and tracking require more sophisticated models.
When fishers see what science is beginning to measure
For years, fishers have observed phenomena they can’t always explain: lobster populations migrating toward the North Shore, starfish—a predator—appearing in unusual concentrations, and landings declining in certain zones. These empirical signals, long relegated to intuition, are now beginning to find scientific validation.
CIDCO’s system is not limited to counting commercial species. The same images can detect invasive species, analyze marine vegetation, and observe entire biotopes. The drone also carries temperature and salinity sensors, and has an acoustic sonar capable of covering 200 to 300 meters wide — compared to 2.5 meters for optical imaging — for habitat mapping at the macroscopic scale. The tool CIDCO is developing today could, tomorrow, document with figures and data what fishers have sensed for years.
Trust before scale
The technology works. Field campaigns have validated the models on real data. The next step is institutional: submitting the methodology to the Canadian Science Advisory Secretariat’s approval process so it is recognized as an official post-season inventory tool. The upcoming field season will be decisive: applying the sampling protocols provided by the authorities, then demonstrating that the results are comparable to, or even better than, those of existing methods.
Morissette remains clear-eyed about the road ahead.
“Artificial intelligence is not here to replace humans,” he insists. “It’s here to augment our capabilities. There is always a human in the loop.”
The question is no longer technical—it’s about social acceptability, uncertainty quantification, and the trust institutions and fishers are willing to place in a tool that sees what humans cannot.
Eyes and ears underwater
Ocean Riot, a Rimouski startup, is entrusted with commercializing the system. The ambition is to make the tool accessible well beyond the St. Lawrence: models are already being developed for the Pacific and Europe, and CIDCO is collaborating with international organizations to converge toward free and open tools.
“The idea is to reduce costs and increase access to oceanographic data for the entire global population,” summarizes Morissette.
Rimouski, gateway to the St. Lawrence Valley’s economic ecosystem, is home to a maritime expertise network that few cities its size can claim: the Université du Québec and its internationally recognized oceanography program, the Institut maritime du Québec, Innovation Maritime, and Fisheries and Oceans Canada’s Maurice Lamontagne Institute. From this ecosystem, a technology is emerging that could redefine how fishing quotas are set across the country.
“AI is leading us to rethink the way we think,” concludes Morissette. “We’re opening the door to informed decisions, based on evidence. Having an objective, factual picture, with the right tools, contributes in a major way to changing how we interact with the world.”
The fishing industry has navigated blind long enough. In Rimouski, they’re starting to turn on the lights.
If you’re working on something meaningful in tech, I’d love to hear from you. Send me a message, maybe your story’s next. 💬
🇫🇷 Version française
Pêcher dans le noir
Un centre de recherche de Rimouski déploie des drones sous-marins et l’intelligence artificielle pour cartographier les fonds marins, espèce par espèce, et fournir à une industrie de la pêche qui navigue à l’aveugle les données dont elle a besoin pour se développer durablement.
L’industrie de la pêche, c’est un duel éternel. D’un côté, les instances réglementaires qui veulent protéger la ressource. De l’autre, les pêcheurs qui veulent l’exploiter. Trouver l’équilibre entre les deux dépend entièrement des données et, dans un contexte océanique, celles-ci coûtent extrêmement cher à obtenir.
« On se retrouve dans le brouillard, à savoir qu’on n’a pas de données sur les fonds marins pour être en mesure de prendre des décisions éclairées et de bien gérer nos ressources », résume Guillaume Morissette, directeur de la recherche et du développement au CIDCO, le Centre interdisciplinaire de développement en cartographie des océans, basé à Rimouski.
Le constat est simple : les méthodes traditionnelles d’évaluation des stocks (plongeurs, casiers appâtés, chalutage) sont coûteuses, peu fréquentes, souvent destructrices et produisent des données qui deviennent obsolètes face aux changements climatiques.
Le CIDCO est un centre de recherche à but non lucratif qui fait le lien entre l’industrie et les institutions académiques. Avec un projet de 1,8 million de dollars sur trois ans, lancé en août 2025, son équipe développe un système d’intelligence artificielle couplé à un drone sous-marin pour cartographier les fonds marins, espèce par espèce, et remplacer le brouillard par des données probantes.
Google Maps, mais sous l’eau
Le processus commence par la définition d’une zone d’étude numérique : un polygone géoréférencé que le drone pourra parcourir à l’identique année après année, garantissant la répétabilité des mesures. Le drone utilisé est un véhicule sous-marin autonome et électrique, l’Iver 3, qui ne touche pas le fond. Il est, entre autres, équipé d’une caméra haute résolution qui photographie le fond marin en continu. En une journée, il parcourt environ vingt kilomètres linéaires.
Les images sont ensuite fusionnées pour créer une grande photo géoréférencée du fond marin.
« Pensez à Google Maps, mais dans le fond de l’eau, avec 2 mm de résolution », illustre M. Morissette.
Chaque pixel de cette mosaïque possède des coordonnées géographiques précises. Les algorithmes d’intelligence artificielle décortiquent ensuite cette image pour détecter, identifier et dimensionner chaque spécimen : oursins, pétoncles, crabes, homards. Le résultat est une carte géospatiale de la distribution des espèces sur l’ensemble de la zone étudiée.
Pour les pêcheurs, cette information change la donne. Ils peuvent identifier les zones où se concentrent les spécimens commerciaux de bonne taille, éviter les zones de juvéniles afin de protéger le renouvellement de la ressource et réduire la superficie à couvrir. Moins de zones à ratisser, c’est moins de carburant, moins d’impact sur le fond et une meilleure rentabilité.
« C’est vraiment une méthodologie qui vise à concilier les intérêts économiques de l’industrie de la pêche et les intérêts environnementaux des instances réglementaires », explique M. Morissette.
De plusieurs mois à quelques minutes
Les méthodes que le CIDCO cherche à remplacer ne sont pas seulement lentes et énergivores ; elles sont aussi biaisées. L’échantillonnage par casier, par exemple, attire d’abord les spécimens dominants, ce qui fausse la représentativité de la population. Le chalutage racle le fond marin et détruit l’habitat au passage. Les relevés par plongeurs sont ponctuels et limités en surface.
« Un biologiste qui faisait l’analyse d’une zone d’étude à la main, ça pouvait prendre des mois », rappelle M. Morissette. « Maintenant, c’est une question de minutes. »
Le drone sous-marin du CIDCO ne touche pas le fond, ne dérange pas les espèces et produit des données structurées et reproductibles. La répétabilité est intégrée au processus : le même polygone numérique peut être parcouru chaque saison, ce qui permet de mesurer l’évolution des stocks au fil du temps plutôt que de se fier à un instantané isolé.
Frédérick Blouin, directeur général du CIDCO, souligne l’impact : « On donne des outils à faible impact environnemental, à une meilleure fréquence, avec une meilleure efficacité, et dont l’utilisation pourra être améliorée pour les différents usagers. »
Une IA sobre par choix
Le modèle d’apprentissage du CIDCO repose sur une architecture « humain dans la boucle » : un apprentissage supervisé où des biologistes montrent au modèle des photos de spécimens afin de lui apprendre à reconnaître chaque espèce. Des agents secondaires de type zero-shot assistent les annotateurs humains en pré-détectant des zones d’intérêt dans des kilomètres d’images à éplucher, accélérant considérablement le processus d’entraînement.
Mais le choix technologique le plus révélateur porte sur l’architecture même des modèles. Plutôt que de suivre la tendance des grands modèles de langage (LLM), énergivores autant à entraîner qu’à exécuter, le CIDCO utilise des réseaux neuronaux convolutifs et des modèles hybrides dits « mixtures d’experts », plusieurs réseaux spécialisés qui « votent » ensemble pour déterminer l’espèce détectée. Le résultat : des modèles qui tournent sur des appareils de 30 watts, avec une empreinte carbone quasi négligeable.
« Il y a des choix à faire en matière de technologie », note Morissette. « Parfois, il faut sortir des sentiers battus, ne pas suivre les modes, pour trouver des options qui sont dans l’intérêt de l’environnement. »
L’imagerie sous-marine ajoute une couche de complexité supplémentaire. La turbidité, la distorsion chromatique — plus on descend, plus tout vire au vert — et les mouvements de sédiments exigent un prétraitement rigoureux : stroboscopes synchronisés pour capturer les couleurs au bon moment, algorithmes de correction chromatique et techniques d’augmentation de données adaptées aux spécificités taxonomiques propres à chaque région. L’équipe utilise également l’apprentissage par transfert, en s’appuyant sur des modèles entraînés dans le Pacifique ou en Europe, afin d’accélérer le développement local.
Plus de points communs que de différences
Le projet réunit des acteurs aux intérêts parfois opposés : le ministère des Pêches et des Océans, l’Université Laval, l’École Polytechnique de Montréal, le Regroupement des pêcheurs professionnels du sud de la Gaspésie, et deux Premières Nations — les Wolastoqiyik Wahsipekuk et les Innus de Pessamit. Le tout pour un financement de 1,8 million de dollars sur trois ans, soutenu par le CRIBIQ et le MEIE.
« Il y a un effort diplomatique nécessaire », reconnaît M.Morissette. « Mais au final, on a beaucoup plus de points communs que de différences. On peut tous nous mettre d’accord sur une chose : si on détruit la ressource, il n’y aura plus de rentabilité et il n’y aura plus rien à protéger. »
Le CIDCO se positionne comme facilitateur, ramenant les discussions à l’objectif commun : une exploitation durable, fondée sur des données plutôt que sur des rapports de force.
Le projet a d’abord ciblé l’oursin vert, une espèce facile à détecter, peu mobile, idéale pour valider le concept. La première preuve de concept a été réalisée en partenariat avec l’Institut Maurice-Lamontagne et le ministère des Pêches et Océans, dans le cadre d’un permis d’exploration de la pêche à l’oursin pour la Première Nation Wolastoqiyik Wahsipekuk. Le modèle s’étend aujourd’hui au crabe commun, au crabe des neiges et au homard, des espèces plus dynamiques, dont l’identification et le suivi exigent des modèles plus sophistiqués.
Quand les pêcheurs voient ce que la science commence à mesurer
Depuis des années, les pêcheurs observent des phénomènes qu’ils ne s’expliquent pas toujours : les populations d’homard migrent vers la Côte-Nord, les étoiles de mer — un prédateur — apparaissent en concentrations inhabituelles, les débarquements diminuent dans certaines zones. Ces signaux empiriques, longtemps restés au stade de l’intuition, commencent aujourd’hui à trouver une validation scientifique.
Le système du CIDCO ne se limite pas au dénombrement des espèces commerciales. Les mêmes images permettent de détecter des espèces envahissantes, d’analyser la végétation marine et d’observer des biotopes complets. Le drone emporte également des capteurs de température et de salinité, et dispose d’un sonar acoustique capable de couvrir 200 à 300 mètres de large — contre 2,5 mètres pour l’imagerie optique — pour une cartographie des habitats à l’échelle macroscopique. L’outil que le CIDCO développe aujourd’hui pourrait, demain, documenter, avec des chiffres et des données, ce que les pêcheurs pressentent depuis des années.
La confiance avant l’échelle
La technologie fonctionne. Les campagnes de terrain ont validé les modèles sur des données réelles. L’étape suivante est institutionnelle : soumettre la méthodologie au processus d’approbation du Secrétariat canadien des sciences afin qu’elle soit reconnue comme outil officiel d’inventaire post-saison. La prochaine saison de terrain sera décisive : appliquer les protocoles d’échantillonnage fournis par les autorités, puis démontrer que les résultats sont comparables, voire supérieurs, à ceux des méthodes existantes.
M. Morissette reste lucide quant au chemin à parcourir. « L’intelligence artificielle n’est pas là pour remplacer les humains », insiste-t-il. « Elle est là pour augmenter nos capacités. Il y a toujours un humain dans la boucle. »
La question n’est plus technique; c’est celle de l’acceptabilité sociale, de la quantification de l’incertitude et de la confiance que les institutions et les pêcheurs sont prêts à accorder à un outil qui voit ce qu’un humain ne peut pas voir.
Des yeux et des oreilles sous l’eau
La commercialisation du système est confiée à Ocean Riot, une startup de Rimouski. L’ambition est de rendre l’outil accessible bien au-delà du Saint-Laurent : des modèles se développent déjà pour le Pacifique et l’Europe, et le CIDCO collabore avec des organisations internationales pour converger vers des outils libres et ouverts.
« L’idée, c’est de réduire les coûts et d’augmenter l’accessibilité aux données océanographiques pour l’ensemble de la population mondiale », résume Morissette.
Rimouski, porte d’entrée de l’écosystème économique de la vallée du Saint-Laurent, abrite un réseau d’expertise maritime que peu de villes de cette taille peuvent revendiquer : l’Université du Québec et son programme d’océanographie reconnu à l’international, l’Institut maritime du Québec, Innovation Maritime et l’Institut Maurice-Lamontagne de Pêches et Océans Canada. C’est de cet écosystème que naît une technologie qui pourrait redéfinir la manière dont les quotas de pêche sont fixés à travers le pays.
« L’IA nous amène à repenser notre façon de réfléchir », conclut Morissette. « On ouvre la porte à la prise de décisions éclairées, fondées sur des données probantes. Avoir un portrait objectif et factuel, avec les outils appropriés, contribue de manière majeure à changer la façon dont on interagit avec le monde. »
L’industrie de la pêche a navigué à l’aveugle assez longtemps. À Rimouski, on commence à allumer les lumières.
Si vous travaillez sur un projet porteur de sens en tech, j’aimerais beaucoup en entendre parler. Écrivez-moi : votre histoire est peut-être la prochaine à être racontée. 💬