La acuicultura está presenciando un cambio fundamental en las prácticas de gestión a medida que se adoptan tecnologías de vanguardia para mejorar el rendimiento y la calidad del producto.
Los rápidos avances en detección, capacidad informática a bordo, Internet de las cosas (IoT), conectividad de datos (4G/5G), inteligencia artificial, aprendizaje automático y visión artificial están allanando el camino hacia la adaptación de tecnologías inteligentes/de precisión en la acuicultura.
El entorno controlado en RAS mejora aún más la viabilidad de tales tecnologías inteligentes para decisiones de gestión importantes.
Efectos de las practicas manuales
Las prácticas tradicionales y recurrentes en la acuicultura, como la manipulación y medición manual del pescado, pueden generar estrés en los peces muestreados.
Los métodos manuales suelen ser intensivos en mano de obra y subjetivos, lo que afecta negativamente el rendimiento, la salud de los peces, el bienestar y las decisiones de gestión.
Por lo tanto, existe la necesidad de una toma de decisiones y una automatización basadas en el conocimiento en la industria de la acuicultura para eliminar la subjetividad, optimizar la práctica de gestión, minimizar las pérdidas y mejorar la calidad del producto.
Aparición de nuevas tecnologías
La inteligencia artificial puede ser un aporte respondiendo preguntas relacionadas con la producción de pescado y ayudar a los productores con importantes decisiones de gestión en los sistemas acuícolas de recirculación (RAS).
Sin embargo, los enfoques de aprendizaje automático asistidos por redes neuronales convolucionales son intensivos en datos, con la precisión del modelo sujeta a la calidad de la imagen de entrada.
Desafíos para la tecnología
La adquisición de datos de imágenes submarinas, la densidad de peces relativamente alta y la turbidez del agua plantean grandes desafíos en la adquisición de datos de imágenes de alta calidad.
Este estudio se realizó para investigar los efectos de la selección del sensor, la calidad de la imagen, el tamaño de los datos, las condiciones de la imagen y las operaciones de preprocesamiento en la precisión del modelo de aprendizaje automático para la detección de peces en condiciones de producción RAS.
Metodología utilizada para el estudio
Se desarrolló una plataforma de imágenes (RASense1.0) con cuatro sensores personalizados listos para usar en la adquisición de imágenes submarinas.
Los datos adquiridos de los sensores de imágenes en dos condiciones de luz (es decir, ambiente y suplementario) se organizaron en conjuntos de 100 imágenes y se anotaron como peces parciales y completos.
Las imágenes anotadas se aumentaron utilizando un modelo YOLOv5 de una etapa.
Hubo una mejora sustancial en la precisión promedio media (mAP) y la puntuación F1 al tiempo que se aumentó el tamaño de los conjuntos de datos de imágenes hasta 700 imágenes y 80 épocas.
De manera similar, el aumento de imágenes mejoró sustancialmente la precisión del modelo para conjuntos de datos más pequeños con menos de 700 imágenes. Más allá de esto, no hubo mejoría en mAP (∼86 %). La selección del sensor afectó significativamente la precisión, recuperación y mAP del modelo; sin embargo, las condiciones de luz no demostraron un efecto considerable en la precisión del modelo.
Al comparar el rendimiento del YOLOv5 de una etapa con el de un Faster R-CNN de dos etapas, ambos modelos se desempeñaron de manera similar en términos de puntajes de mAP; sin embargo, el tiempo de entrenamiento para los primeros fue de 6 a 14 veces menor que para los segundos
Puede revisar el estudio completo aquí
