La acuicultura de precisión (PA) está transformando la industria al integrar datos y automatización para mejorar la sostenibilidad y el bienestar animal. Sin embargo, uno de los mayores desafíos para alcanzar una verdadera precisión ha sido el seguimiento individual de los organismos. ¿Cómo saber qué pez comió, cuál está enfermo o cuál tiene mejor tasa de crecimiento en un tanque con miles de individuos?
Las soluciones tradicionales, como las etiquetas PIT, las marcas o el corte de aletas, son invasivas. Estos métodos no solo son costosos y laboriosos, sino que pueden inducir estrés, perjudicar el crecimiento e incluso aumentar la susceptibilidad a enfermedades en los animales.
Aunque han surgido métodos no invasivos, como la foto-identificación, su aplicación a gran escala en granjas comerciales ha sido limitada. Las condiciones del mundo real —agua turbia, alta densidad de población, oclusión parcial (peces superpuestos) y cambios de iluminación— hacen que la mayoría de los sistemas fallen.
Un reciente estudio publicado en Aquaculture por investigadores de la Ocean University of China y de la Qilu University of Technology, presenta una solución avanzada a este problema: FishFaceID, un sistema de deep learning (aprendizaje profundo) diseñado específicamente para la identificación individual no invasiva en los desafiantes entornos de la acuicultura.
Conclusiones clave
- 1 Conclusiones clave
- 2 El «reconocimiento facial» para peces y organismos acuáticos
- 3 El desafío: probar la IA en condiciones reales
- 4 Una precisión sorprendente en la identificación
- 5 Más allá de la precisión: robustez del modelo
- 6 El impacto real: de la identificación a la acuicultura de precisión
- 7 Conclusión
- 8 Entradas relacionadas:
- Tecnología no invasiva: Se presenta FishFaceID, un nuevo sistema basado en deep learning (aprendizaje profundo) diseñado para la identificación individual no invasiva de organismos acuáticos, buscando reemplazar métodos estresantes como el etiquetado o marcado físico.
- Nuevo modelo de IA: El núcleo del sistema es un modelo de IA novedoso llamado Vim-FFID, optimizado para el reconocimiento subacuático de detalles finos.
- Alta precisión en condiciones reales: El modelo Vim-FFID demostró ser robusto y preciso, logrando hasta un 98.81% de acierto (Acc@1) en la identificación de pepinos de mar, funcionando eficazmente incluso en condiciones de turbidez, oclusión parcial y distintos ángulos de visión (aérea y subacuática).
- Impulso a la acuicultura de precisión: Esta tecnología permite el monitoreo individualizado, lo cual es fundamental para objetivos clave de la acuicultura de precisión (PA), como la alimentación personalizada, la cría selectiva, la prevención de enfermedades y el monitoreo del comportamiento.
- Validación multiespecie: El sistema fue probado exitosamente en un nuevo conjunto de datos (benchmark) que incluye especies marinas y de agua dulce, vertebrados e invertebrados, como el pepino de mar, el mero de coral leopardo, el mero azul moteado y la carpa herbívora.
El «reconocimiento facial» para peces y organismos acuáticos
FishFaceID no es solo un programa, sino un marco de trabajo completo que incluye un nuevo modelo de inteligencia artificial (IA) llamado Vim-FFID.
A diferencia de los modelos de IA genéricos, Vim-FFID fue diseñado a medida para el «reconocimiento subacuático de grano fino». Su arquitectura le permite aprender patrones de identificación sutiles, como la topología de las manchas en un mero o las micro-texturas en un pepino de mar.
La clave de su éxito radica en su robustez. El modelo utiliza técnicas avanzadas (como «tokens de aviso conscientes de la clase» y «re-clasificación de prototipos controlada por entropía») que, en términos sencillos, le permiten tomar decisiones precisas incluso cuando las imágenes son de baja calidad, están parcialmente oscurecidas o afectadas por la turbidez del agua.
El desafío: probar la IA en condiciones reales
Para que un modelo de IA sea útil, debe ser probado con datos que imiten los problemas que enfrentará en una granja real. Dado que no existía un conjunto de datos adecuado, los investigadores crearon uno nuevo, diseñado específicamente para los escenarios de la acuicultura de precisión.
Las especies bajo estudio
El equipo recolectó datos de cuatro especies muy diferentes para asegurar que el sistema fuera versátil:
Mantente siempre informado
Únete a nuestras comunidades para recibir al instante las noticias, informes y análisis más importantes del sector acuícola.
- Pepino de mar (Apostichopus japonicus)
- Mero de coral leopardo (Plectropomus leopardus)
- Mero azul moteado (Epinephelus cyanopodus)
- Carpa herbívora (Ctenopharyngodon idella)
Esta selección fue estratégica, ya que cubre organismos de hábitats marinos y de agua dulce, vertebrados e invertebrados, y especies con apariencias distintas (desde pieles lisas y de bajo contraste hasta patrones complejos).
La metodología de recolección de datos
Para capturar imágenes realistas, el equipo utilizó una configuración de doble cámara (cámaras de alta definición y GoPro 12) para grabar a los animales simultáneamente desde dos ángulos:
- Overhead (vista aérea): Mirando hacia abajo, dentro del tanque.
- Underwater (vista subacuática): Mirando desde un lado, bajo el agua.
Las grabaciones se realizaron tanto en tanques de laboratorio controlados como en entornos de granja reales, como jaulas de cría y tanques de espuma. Tras procesar miles de fotogramas, cada individuo fue meticulosamente etiquetado por expertos para entrenar y probar la IA.
Una precisión sorprendente en la identificación
El rendimiento de FishFaceID, y en particular del modelo Vim-FFID, superó las expectativas y a otros modelos de deep learning de referencia (como Swin, DeiT y VMamba).
En el subconjunto de datos «Sea Cucumber-Overhead» (pepinos de mar vistos desde arriba), el modelo Vim-FFID alcanzó una precisión de 98.81% (Acc@1). Esto significa que en el 98.81% de los casos, la primera suposición del modelo sobre la identidad del individuo fue correcta.
Además, el sistema demostró ser muy superior a los métodos de reconocimiento clásicos (como ArcFace o FaceNet), los cuales tuvieron dificultades para manejar la alta variabilidad y las condiciones ruidosas del entorno acuático.
Más allá de la precisión: robustez del modelo
El estudio no solo midió la precisión, sino por qué el modelo era mejor. Las visualizaciones de los datos (mediante t-SNE) mostraron que Vim-FFID es capaz de agrupar las características de cada individuo de forma mucho más compacta y separada que otros modelos. En la práctica, esto significa que el modelo tiene menos «dudas» al diferenciar entre dos individuos que se parecen mucho.
El modelo también funcionó bien en escenarios de «few-shot» (aprendizaje con pocas muestras), alcanzando precisiones superiores al 93%. Esto es vital para las granjas, donde puede no ser práctico tener miles de imágenes de cada individuo.
Incluso se probó el uso de imágenes sintéticas (creadas por otra IA, una GAN) para aumentar el conjunto de datos de entrenamiento. Esta técnica mejoró aún más la precisión del modelo, demostrando su capacidad para seguir aprendiendo.
El impacto real: de la identificación a la acuicultura de precisión
Los resultados de FishFaceID no son solo un logro académico; ofrecen una solución escalable y precisa para problemas del mundo real en la acuicultura.
Al permitir la identificación individual no invasiva, esta tecnología desbloquea el potencial de la acuicultura de precisión en varias áreas clave:
- Alimentación personalizada: Monitorear cuánto come cada individuo para optimizar las raciones, reducir el desperdicio de alimento y mejorar la conversión.
- Monitoreo de la salud: Detectar cambios sutiles en el comportamiento o la apariencia (como lesiones) de un individuo específico, permitiendo intervenciones tempranas antes de que las enfermedades se propaguen.
- Cría selectiva: Identificar y rastrear automáticamente a los individuos con mejores tasas de crecimiento o rasgos deseables, sin necesidad de manejarlos o etiquetarlos físicamente.
- Bienestar animal: Monitorear el comportamiento individual para evaluar el estrés o la adaptación al entorno, todo sin interferir con los animales.
El sistema FishFaceID está diseñado para ser modular. Los autores sugieren que los productores pueden usar modelos más ligeros y rápidos (como VMamba-Tiny) para el monitoreo en tiempo real en el borde (en la propia granja), y el modelo Vim-FFID, más potente y preciso, para análisis más profundos en la nube o en un servidor central.
Conclusión
FishFaceID representa un avance significativo hacia una acuicultura más inteligente, eficiente y ética. Al resolver el complejo problema de la identificación individual en condiciones subacuáticas reales sin ser invasivo, este sistema de deep learning proporciona a los productores la herramienta que necesitaban para implementar verdaderamente la acuicultura de precisión.
Aunque los autores señalan que se necesita más trabajo para validar el sistema a largo plazo (por ejemplo, rastreando el crecimiento de los peces durante meses) y con más especies, FishFaceID establece una base sólida y demuestra que la IA puede monitorear la salud y el bienestar de los animales acuáticos, individuo por individuo, sin causarles estrés.
La base de datos, el protocolo de evaluación y el código de FishFaceID están publicamente disponibles en: https://github.com/zhenglab/FishFaceID
Contacto
Haiyong Zheng
College of Electronic Engineering, Ocean University of China
Qingdao, 266404, China.
Email: zhenghaiyong@ouc.edu.cn
Referencia
Zhang, Q., Shi, Z., Sun, N., Wang, Y., Zhang, L., Wang, B., Xun, X., Zheng, B., & Zheng, H. (2026). FishFaceID: A deep learning-based non-invasive system for aquaculture organism individual identification. Aquaculture, 613, 743375. https://doi.org/10.1016/j.aquaculture.2025.743375
Editor de la revista digital AquaHoy. Biólogo Acuicultor titulado por la Universidad Nacional del Santa (UNS) y Máster en Gestión de la Ciencia y la Innovación por la Universidad Politécnica de Valencia, con diplomados en Innovación Empresarial y Gestión de la Innovación. Posee amplia experiencia en el sector acuícola y pesquero, habiendo liderado la Unidad de Innovación en Pesca del Programa Nacional de Innovación en Pesca y Acuicultura (PNIPA). Ha sido consultor senior en vigilancia tecnológica, formulador y asesor de proyectos de innovación, y docente en la UNS. Es miembro del Colegio de Biólogos del Perú y ha sido reconocido por la World Aquaculture Society (WAS) en 2016 por su aporte a la acuicultura.
