Uno de los objetivos del proyecto iFishIENCi es llevar al mercado el iFishIENCi Biology Online Steering System (iBOSS) que mejora significativamente el control y la gestión de la producción para todos los sistemas de piscicultura.
En iBOSS, las funciones inteligentes pueden ser implementadas para aprovechar los datos de múltiples fuentes con la finalidad de facilitar la toma de decisiones del piscicultor, optimizar la producción, mejorar la planificación de la producción, etc.
El informe final de la alimentación inteligente AI tiene como objetivo el implementar una de las funciones inteligentes: iBOSS Smart Feeding (alimentación inteligente).
Mediante el uso de un enfoque de Inteligencia Artificial, se espera encontrar correlaciones apropiadas entre el comportamiento de los peces, régimen de alimentación y calidad del agua, para poder controlar el alimento y alcanzar operaciones de alimentación óptimas.
De acuerdo con el informe, existen muchos datos disponibles; sin embargo, aún no se ha explorado cómo concatenar esto en un modelo para optimizar la eficiencia de la alimentación.
En este sentido, el documento propone un enfoque para integrar múltiples fuentes de cuantificación de la eficiencia de la alimentación en una sola.
El estudio describe la recolección de datos, la implementación de nuevos sensores y las observaciones del comportamiento de los peces, lo que contribuye al desarrollo de algoritmos de Inteligencia Artificial (IA) para optimizar la utilización de los alimentos.
Además, el documento describe la prueba y validación de los algoritmos de inteligencia artificial.
¿Qué es la alimentación inteligente?
Para entender los enfoques descritos, se requiere una definición clara de Smart Feeding (alimentación inteligente).
El iBOSS Smart Feeding tiene como objetivo maximizar la utilización del alimento, a la vez que se minimiza los impactos ambientales, mediante la optimización de la eficiencia de la exposición de los peces a los alimentos en relación al estado de los peces (por ejemplo: saciedad, estrés), comportamiento, condiciones ambientales y características específicas de la especie, con la finalidad de maximizar el crecimiento y reducir la pérdida de alimentos.
Los investigadores desarrollaron múltiples modelos de inteligencia artificial, y presentan su interpretación de la eficiencia de la alimentación.
Todas las interpretaciones están integradas en un sistema automático de toma de decisión (ADMS, por sus siglas en inglés) para brindar al alimentador la señal de incrementar o disminuir la alimentación.
Los cambios del ADMS pueden reflejarse en cantidad, frecuencia o ambos.
Experimentos en campo
Los experimentos y la recolección de datos se realizaron en dos sitios pilotos (ABT-Malta y HCMR-Creta), los mismos que sirvieron para desarrollar el algoritmo de inteligencia artificial.
El sitio ABT en Malta es un sistema de recirculación para acuicultura (RAS), mientras que el sitio HCMR cuenta con jaulas y un sistema RAS.
Ambos sitios fueron elegidos para implementar sensores estándar de calidad del agua que estuvieron conectados a la nube, además de instalar un sistema de cámaras para cada sitio.
Detección
La detección de los peces fue alcanzada usando un modelo de detección de objetos profundo implementado en Python, YOLOv5. Para la calibración, los investigadores usaron un modelo de luz pre-entrenado, y re-entrenado con 148 imágenes de los videos del tanque ABT, manualmente etiquetados en el software BiOceanOr.
El modelo tiene una precisión de 82%.
Monitoreo de la alimentación y comportamientos anormales
“El sistema es capaz de distinguir entre tres diferentes modelos de movimientos relacionados a la alimentación: movimiento polarizado antes de que se produzca la alimentación, el movimiento que se asemeja al comportamiento de alimentación pero dura un período de tiempo limitado, y el evento de alimentación donde los peces se acumulan girando alrededor de la alimentación”, describe el informe.
Además, basado en los cambios de la densidad del grupo de peces durante la alimentación, el sistema es capaz de monitorear la evolución de la alimentación y detectar cuando la densidad del grupo de peces está disminuyendo.
Perspectivas
El informe presenta el estado actual del desarrollo de iBOSS Smart Feeding AI, e incluye descripciones de varios enfoques para extraer información del estado de los peces que hará posible que iBOSS tome decisiones sobre la intensidad de alimentación.
iBOSS será una herramienta útil para que los piscicultores optimicen la utilización de alimentos mientras mejoran el factor de conversión alimenticio.
El iBOSS Smart Feeding AI se volverá autoevolutivo en el sentido de que, cuando el modelo de inteligencia artificial se actualice con nuevos datos, como la intensidad de alimentación, la calidad del agua, el comportamiento de los peces, el crecimiento, etc., la inteligencia artificial evolucionará y optimizará sus modelos, continuamente.
Después que el proyecto esté completo, los piscicultores serán capaces de obtener una valiosa herramienta para reducir los costos de alimentación y predecir cuando los peces ya están listos para la cosecha.
Referencia (acceso abierto)
Jensen, Christian, Le Gall, Franck, Trotignon, Dimitri, Abid, Ahmed, De Prisco , Joseph, & Budaev, Sergei. (2022). iFishIENCi Report on final Smart feeding AI (Version 2). Zenodo. https://doi.org/10.5281/zenodo.7889609
