Nutrición, Sistemas de Cultivo

Alimentación de precisión en acuicultura: una solución de visión artificial

Foto del autor

By Milthon Lujan

Diseño del experimento. Fuente: Dong et al., (2024). PLoS ONE 19(10): e0310356.
Diseño del experimento. Fuente: Dong et al., (2024). PLoS ONE 19(10): e0310356.

Los costos de alimentación representan una parte importante de los gastos en la industria de la acuicultura. Las prácticas de alimentación ineficientes, que a menudo dependen de la experiencia del piscicultor, pueden generar desperdicio de alimento y contaminación ambiental. Para optimizar las estrategias de alimentación, es esencial evaluar con precisión la intensidad de alimentación de los peces.

Para abordar este problema, la tecnología de visión artificial ofrece una solución prometedora. Al analizar los datos visuales, podemos evaluar objetivamente el comportamiento de alimentación de los peces y optimizar la distribución del alimento.

Un artículo publicado por científicos de la Dalian Ocean University presenta un nuevo enfoque basado en visión artificial que utiliza una red neuronal convolucional (CNN) para evaluar con precisión la intensidad de alimentación de los peces de cultivo.

La importancia de una alimentación precisa

La alimentación juega un papel fundamental en la acuicultura, ya que afecta directamente el crecimiento de los peces, la salud y la eficiencia general del sistema de producción. La sobrealimentación puede provocar desperdicio de alimento, mayor contaminación del agua y mayores costos de producción. La subalimentación, por otro lado, puede obstaculizar las tasas de crecimiento y comprometer el bienestar de los peces.

Visión artificial: una solución prometedora

La tecnología de visión artificial ha surgido como una herramienta poderosa para abordar estos desafíos en la acuicultura. Al analizar datos visuales, los algoritmos de visión artificial pueden evaluar con precisión el comportamiento de alimentación de los peces, lo que permite una gestión más precisa de la alimentación. Esta tecnología ofrece varias ventajas, como el monitoreo no invasivo, el análisis en tiempo real y el potencial de automatización.

READ  ¿Cuál es el potencial del cultivo de tilapia en el Perú?

Aprendizaje profundo para el reconocimiento del comportamiento alimentario

El aprendizaje profundo, un subconjunto de la inteligencia artificial, ha revolucionado las tareas de visión artificial. Las redes neuronales convolucionales (CNN) son particularmente adecuadas para analizar datos visuales, incluidas imágenes y videos de peces. Las CNN pueden aprender automáticamente características complejas de los datos, lo que les permite reconocer con precisión diferentes comportamientos alimentarios.

Enfoque propuesto

Los enfoques anteriores basados ​​en visión artificial para evaluar la intensidad de la alimentación han sido limitados en su precisión y aplicabilidad. Estos métodos a menudo se basan en una sola característica espacial o en la configuración manual de un umbral, lo que restringe su eficacia a escenarios específicos. Además, la falta de una integración completa de las características dificulta su capacidad para capturar la dinámica compleja del comportamiento de alimentación de los peces.

Para superar estas limitaciones, los investigadores proponen un enfoque integrado que combina técnicas de visión artificial con una CNN. El método incorpora tres tipos de características: temporales, espaciales y estadísticas de datos.

  • Características temporales: Se emplea el análisis de flujo óptico para capturar los patrones de movimiento de los peces durante la alimentación, lo que proporciona información sobre la intensidad y la duración de la actividad de alimentación.
  • Características espaciales: Se utiliza la binarización para extraer la distribución espacial de los peces dentro del área de alimentación, lo que ayuda a identificar los puntos críticos de alimentación y evaluar el nivel de competencia por el alimento.
  • Características estadísticas de los datos: La matriz de coocurrencia en niveles de gris se utiliza para analizar la textura y los patrones en las imágenes de alimentación, lo que proporciona información adicional sobre el entorno de alimentación y el comportamiento de los peces.
READ  Los camarones crecen mejor a densidades bajas en sistemas Biofloc

Estas características se ingresan en sus respectivas redes de discriminación de características específicas, y los resultados de la clasificación se fusionan para construir una red de tres corrientes para la discriminación de la intensidad de la alimentación.

Resultados y discusión

Los resultados de la red de tres corrientes propuesta lograron una precisión impresionante del 99,3 % en la distinción de la intensidad de la alimentación, categorizando con precisión los estados de alimentación en ninguno, débil y fuerte. Los beneficios se pueden resumir en:

  • Precisión: El modelo propuesto logra una precisión impresionante del 99,3 % para distinguir el estado de alimentación de los peces.
  • Eficiencia: Al automatizar las decisiones de alimentación, el modelo puede reducir los costos laborales y mejorar la eficiencia operativa.
  • Sostenibilidad: Las prácticas de alimentación precisas pueden ayudar a minimizar el desperdicio de alimentos y reducir la contaminación del agua, lo que contribuye a una industria acuícola más sostenible.
  • Toma de decisiones basada en datos: El modelo proporciona información valiosa sobre el comportamiento de alimentación de los peces, lo que permite la toma de decisiones basada en datos y la optimización de las operaciones de acuicultura.

Este avance proporciona una base científica para la alimentación inteligente de los peces en la acuicultura, y promete promover el desarrollo sostenible de la industria al minimizar el desperdicio de alimento y optimizar el impacto ambiental.

Conclusión

El desarrollo de un enfoque basado en visión artificial para evaluar la intensidad de la alimentación representa un avance significativo en la industria de la acuicultura. Al evaluar con precisión el comportamiento de alimentación de los peces, podemos optimizar la asignación de alimento, reducir el desperdicio de alimento y minimizar el impacto ambiental. Esta tecnología tiene el potencial de revolucionar las prácticas de acuicultura y promover el desarrollo sostenible de la industria.

READ  Proyecto Myfish orientado a la producción acuícola sustentable máxima publica su primer boletín

Contacto
Kewei Cai
Key Laboratory of Environment Controlled Aquaculture (Dalian Ocean University) Ministry of Education, Dalian, Liaoning Province, China
College of Mechanical and Electronic Engineering, Dalian Minzu University, Dalian, Liaoning Province, China
Email: caikw0602@live.cn

Referencia (acceso abierto)
Dong Y, Zhao S, Wang Y, Cai K, Pang H, Liu Y (2024) An integrated three-stream network model for discriminating fish feeding intensity using multi-feature analysis and deep learning. PLoS ONE 19(10): e0310356. https://doi.org/10.1371/journal.pone.0310356