Sistemas de Cultivo

Aprendizaje profundo estima el tamaño de los peces para sistemas de acuaponía más inteligentes

Foto del autor

By Milthon Lujan

Un sistema acuapónico inteligente típico que utiliza aprendizaje profundo para la retroalimentación. Fuente: Siddique et al:, (2023).
Un sistema acuapónico inteligente típico que utiliza aprendizaje profundo para la retroalimentación. Fuente: Siddique et al:, (2023).

La acuaponía ofrece una solución sostenible y eficiente para producir alimentos frescos. Sin embargo, una acuaponía exitosa requiere mantener un delicado equilibrio entre los peces y las plantas. Un factor clave que los principiantes suelen pasar por alto es el tamaño adecuado de los peces.

Un nuevo estudio publicado en la revista Agricultural Research por científico de la University of Macau, de la University of Leeds, de la Beijing Jiaotong University y de la University of Agriculture, explora un enfoque novedoso que utiliza el aprendizaje profundo para estimar el tamaño de los peces en tiempo real, lo que empodera incluso a los entusiastas novatos de la acuaponía.

La necesidad de una acuaponía inteligente

Los sistemas acuapónicos tradicionales dependen en gran medida de la intervención humana, lo que a menudo conduce a un rendimiento subóptimo. Los sistemas inteligentes, equipados con sensores, análisis de datos y automatización, pueden mejorar significativamente la eficiencia y la sostenibilidad. El aprendizaje profundo, un subconjunto de la inteligencia artificial, ofrece herramientas poderosas para predecir varios parámetros en los sistemas acuapónicos, incluido el tamaño de los peces y la calidad del agua.

Desafíos y limitaciones de los sistemas existentes

  • Limitaciones basadas en software: La mayoría de los sistemas acuapónicos inteligentes actuales dependen de software y arquitecturas informáticas tradicionales, que pueden ser lentas y consumir muchos recursos, especialmente para operaciones a gran escala.
  • Escasez de datos: La falta de conjuntos de datos dificulta el desarrollo y la evaluación de modelos de aprendizaje profundo precisos.
  • Mano de obra sin experiencia: La complejidad de la gestión de sistemas acuapónicos a menudo requiere conocimientos y habilidades especializados.
READ  Científicos caracterizan efluentes del cultivo de tilapia en sistema acuaponico

El desafío de la gestión inexperta

La acuaponía ofrece numerosas ventajas, incluida la agricultura sin químicos y el uso eficiente del agua. Sin embargo, su adopción comercial puede verse obstaculizada por la necesidad de operadores capacitados para monitorear y administrar el sistema. Estimar el tamaño de los peces con precisión es crucial para mantener un entorno estable donde tanto los peces como las plantas prosperen.

El aprendizaje profundo al rescate

Este artículo explora un enfoque novedoso para abordar el desafío de la estimación del tamaño de los peces en sistemas acuapónicos en tiempo real. Utilizando una técnica llamada aprendizaje profundo, los investigadores han desarrollado un sistema que puede estimar con precisión el tamaño de los peces sin la necesidad de una gran experiencia.

El poder de las redes neuronales profundas

El sistema utiliza una «red neuronal profunda», un tipo de inteligencia artificial inspirada en el cerebro humano. Esta red se entrena con un conjunto masivo de imágenes que contienen peces de distintos tamaños. Al analizar estas imágenes, la red aprende a identificar patrones y correlaciones entre el tamaño de los peces y características visuales específicas.

¿Cambiar la eficiencia por la precisión?

Un aspecto fundamental de esta innovación es el uso de una función específica llamada «función swish». Si bien las implementaciones tradicionales de swish pueden resultar costosas en términos computacionales, los investigadores presentan aquí una versión novedosa y eficiente en términos de hardware. Este avance permite una estimación sumamente precisa del tamaño de los peces sin comprometer el rendimiento del sistema.

Monitoreo en tiempo real: velocidad y eficiencia

Uno de los aspectos más emocionantes de este desarrollo es la creación de un acelerador de aprendizaje profundo. Este hardware especializado puede procesar la asombrosa cantidad de 40 millones de muestras de peces por segundo. Esto se traduce en un sistema de monitoreo en tiempo real que es aproximadamente 1600 veces más rápido que los métodos tradicionales que dependen de computadoras de uso general.

READ  Optimización económica de los sistemas de producción super-intensivos en recirculación para el camarón

Beneficios para los cultivadores de acuaponía

Este innovador enfoque de aprendizaje profundo tiene un inmenso potencial para el futuro de la acuaponía. Al automatizar la estimación del tamaño de los peces, permite a los principiantes operar sistemas acuapónicos con mayor confianza y eficiencia. Además, los bajos requisitos de energía del hardware propuesto lo convierten en una opción viable para operaciones acuapónicas remotas y de pequeña escala.

Los principales beneficios se pueden agrupar en:

  • Gestión simplificada del sistema: La estimación del tamaño de los peces en tiempo real permite a cualquier persona operar un sistema de acuaponía con confianza, independientemente de su experiencia previa.
  • Estabilidad mejorada del sistema: Los datos precisos del tamaño de los peces permiten realizar ajustes en tiempo real, lo que promueve un crecimiento óptimo tanto para los peces como para las plantas.
  • Escalabilidad mejorada: Esta tecnología allana el camino para instalaciones de acuaponía más grandes y comercialmente viables.

El camino por delante

La investigación presentada aquí allana el camino para sistemas acuapónicos más inteligentes y accesibles. A medida que esta tecnología continúa desarrollándose, podemos esperar aún más avances en el monitoreo en tiempo real y la gestión automatizada del sistema. Esto, a su vez, contribuirá a la adopción más amplia de la acuaponía como un método sustentable y productivo para la producción de alimentos.

Contacto
Muhammad Azhar Iqbal
Faculty of Engineering and Physical Sciences, University of Leeds
Leeds, LS2-9JT, United Kingdom
Email: m.a.iqbal1@leeds.ac.uk

Referencia (acceso abierto)
Siddique, A., Iqbal, M.A., Sun, J. et al. N-AquaRAM: A Cost-Efficient Deep Learning Accelerator for Real-Time Aquaponic Monitoring. Agric Res (2024). https://doi.org/10.1007/s40003-024-00788-6