¡Imagínate una piscifactoría que ajusta automáticamente los niveles de oxígeno en función del comportamiento de los peces! Este concepto futurista se está haciendo realidad con la ayuda de la inteligencia artificial (IA) y el aprendizaje profundo.
Los sistemas de acuicultura de recirculación (RAS) están revolucionando la piscicultura, ofreciendo un entorno controlado para un crecimiento óptimo. Sin embargo, los sistemas RAS actuales carecen de la capacidad de aprender y autoajustarse, lo que genera ineficiencias en el uso de energía y potencialmente afecta la salud de los peces.
Una investigación realizada por científicos de la Chongqing Technology and Business University diseñaron una estrategia de aireación precisa basada en el aprendizaje profundo para mejorar el estado de crecimiento saludable de los peces. Esta investigación se suma al uso de la inteligencia artificial para optimización económica de los RAS.
El desafío: lograr un equilibrio
Los sistemas RAS dependen de la aireación para mantener los niveles de oxígeno disuelto (OD) cruciales para la salud de los peces. No obstante, el control manual o los umbrales fijos para la aireación pueden generar una serie de desperdicios. Este enfoque tiene limitaciones:
- Altos costos: El monitoreo y los ajustes constantes por parte del personal pueden resultar costosos.
- Ineficiencia: Es posible que los controles manuales no siempre proporcionen los niveles de aireación más óptimos, lo que genera un desperdicio de energía.
- Crecimiento subóptimo: La aireación inadecuada puede afectar negativamente el crecimiento de los peces y la salud general.
En resumen, una aireación excesiva consume energía innecesaria, mientras que una aireación insuficiente puede provocar hipoxia (deficiencia de oxígeno) y obstaculizar el crecimiento de los peces.
La ventaja del aprendizaje profundo: aireación inteligente
Esta investigación presenta una solución innovadora: un sistema basado en aprendizaje profundo para un control preciso de la aireación. Así es como funciona:
- La visión por computadora detecta el comportamiento de hipoxia: Las cámaras utilizan un modelo VGG16 modificado, un tipo de algoritmo de aprendizaje profundo, para analizar el movimiento de los peces e identificar signos de hipoxia, como jadeos.
- La segmentación de imágenes mide el tamaño de los peces: El sistema segmenta los peces en las imágenes de la cámara para calcular la longitud de su cuerpo, un factor clave en las necesidades de oxígeno.
- El modelo de energía biológica predice el consumo de oxígeno: El sistema tiene en cuenta el tamaño de los peces, la temperatura del agua y los niveles de actividad para estimar cuánto oxígeno necesitan los peces.
- La IA optimiza la estrategia de aireación: Combinando la información de los tres componentes, el sistema genera una estrategia de aireación adaptativa en tiempo real. Esto asegura suficiente oxígeno para los peces sin desperdiciar energía en aireación innecesaria.
Resultados del mundo real: ahorrar energía, impulsar el crecimiento
El estudio comparó el sistema de aprendizaje profundo propuesto con los métodos tradicionales:
- Ahorro de energía: En comparación con el control manual y el control de umbral, el sistema de aprendizaje profundo logró una reducción significativa en el consumo de energía: 26,3 % y 12,8 % respectivamente.
- Crecimiento más rápido: Al mantener niveles óptimos de OD, el sistema promovió una calidad de agua estable y aceleró el crecimiento de los peces. El ciclo de reproducción promedio (que alcanza los 400 g de peso) se acortó de 5 a 6 meses a unos notables 3 a 4 meses.
Un futuro más inteligente para la acuicultura
Esta investigación allana el camino para una nueva era de acuicultura inteligente. Al integrar el aprendizaje profundo con los sistemas RAS, los piscicultores pueden lograr:
- Costos operativos reducidos: Un menor consumo de energía se traduce en importantes ahorros de costos.
- Salud mejorada de los peces: La aireación precisa garantiza niveles óptimos de OD, minimizando el estrés y promoviendo un crecimiento saludable de los peces.
- Ciclos de producción más cortos: Los ciclos de crecimiento más rápidos conducen a una mayor productividad y rentabilidad.
Conclusión
Esta estrategia de aireación basada en el aprendizaje profundo allana el camino hacia un futuro más inteligente y sostenible para la acuicultura RAS. Al optimizar los niveles de oxígeno y minimizar el desperdicio de energía, esta tecnología beneficia tanto a los piscicultores (a través de menores costos y peces más sanos) como al medio ambiente (a través de un menor consumo de energía).
El enfoque innovador del estudio posiciona el aprendizaje profundo como un motor clave en el futuro de la acuicultura sostenible y eficiente. Al crear un entorno más inteligente basado en el monitoreo en tiempo real de la calidad del agua, los piscicultores pueden optimizar la producción y al mismo tiempo garantizar el bienestar de sus peces.
El estudio fue financiado por Chongqing Municipal Education Commission, Chongqing Science and Technology Commission y por la Chongqing Technology and Business University.
Contacto
Yu Shen
National Research Base of Intelligent Manufacturing Services, Chongqing Technology and Business University
Chongqing 400067, China
Email: Shenyu@ctbu.edu.cn
Referencia (acceso abierto)
Yang, J., Zhou, Y., Guo, Z., Zhou, Y., & Shen, Y. (2024). Deep learning-based intelligent precise aeration strategy for factory recirculating aquaculture systems. Artificial Intelligence in Agriculture. https://doi.org/10.1016/j.aiia.2024.04.001
