El crecimiento acelerado de la población mundial ha disparado la demanda de proteínas acuáticas, obligando a la industria a transitar hacia sistemas de acuicultura intensiva y a gran escala. Sin embargo, este modelo introduce riesgos significativos para la salud animal. Para mitigar estos desafíos, un equipo de investigadores liderado por la China Agricultural University ha publicado una revisión exhaustiva en Computer Science Review sobre cómo el Deep Learning (DL) está transformando la gestión de las granjas acuícolas.
La capacidad del DL para extraer características complejas de imágenes permite que los sistemas de gestión sean adaptativos y respondan en tiempo real, sentando las bases de una producción sostenible y eficiente.
Puntos Clave
- Monitoreo No Invasivo: La visión artificial (CV) supera a los sensores acústicos y físicos por ser económica, repetible y no interferir con los animales.
- Cinco Pilares del Comportamiento: La IA ya permite identificar con éxito conductas de alimentación, estrés, enfermedad, reproducción y canibalismo.
- Eficiencia de Costos: Dado que el alimento representa hasta el 86% del costo de producción, la IA optimiza las raciones detectando el apetito real y evitando el desperdicio.
- Desafío del Entorno: La turbidez del agua, las oclusiones entre peces y los cambios de luz siguen siendo los mayores retos para los algoritmos actuales.
Los 5 Comportamientos Críticos Bajo la Lupa de la IA
La investigación clasifica los avances en el reconocimiento de patrones de comportamiento mediante el uso de la Inteligencia Artificial (IA) en cinco categorías fundamentales, evaluando su nivel de éxito actual:
Comportamiento Alimentario: El Motor de la Rentabilidad
La alimentación es el proceso más crítico en la acuicultura intensiva. La IA no solo busca «ver» si el pez come, sino cuantificar la intensidad del apetito.
- Indicadores Visuales: Los modelos analizan el cambio en la velocidad de nado y la formación de grupos densos cerca de la superficie o de los dispensadores.
- Detección de Pellets: Se utilizan algoritmos de segmentación para identificar granos de pienso individuales en el agua. Si el modelo detecta que los pellets flotan o se hunden sin ser consumidos, envía una señal de parada automática.
- Impacto: Esto previene la eutrofización (exceso de nutrientes que agota el oxígeno) y reduce el desperdicio del insumo más caro de la granja.
Comportamiento de Estrés: El Sistema de Alerta Temprana
El pez manifiesta estrés mucho antes de morir, y la IA actúa como un termómetro de bienestar.
- Cambios en la Trayectoria: Los peces estresados suelen mostrar nados erráticos, movimientos de escape repentinos o agrupamientos defensivos (shoaling) inusuales.
- Respuesta a Factores Externos: El estudio destaca cómo modelos de DL identifican el estrés causado por la mala calidad del agua (hipoxia o niveles altos de amoníaco).
- Tecnología: Se emplean redes neuronales recurrentes (RNN) y LSTM para analizar no solo una foto, sino la secuencia temporal del movimiento, diferenciando un nado normal de uno bajo estrés.
Comportamiento de Enfermedad: Diagnóstico Fenotípico
Identificar un pez enfermo en un tanque con miles de individuos es casi imposible para el ojo humano, pero no para la visión artificial.
- Anomalías Morfológicas: La IA detecta cambios en la textura de la piel, coloración anormal, hemorragias externas o pérdida de escamas.
- Comportamiento Letárgico: Los algoritmos de seguimiento (tracking) identifican individuos que se separan del grupo o que flotan con movimientos mínimos.
- Precisión: El paper menciona que el uso de arquitecturas como YOLO-FD permite filtrar el «ruido» del agua turbia para enfocarse en los síntomas físicos del pez.
Comportamiento Reproductivo: El Reto de la Continuidad
En centros de cría y selección genética, monitorear el desove es vital para asegurar la siguiente generación.
- Identificación de Patrones de Cortejo: La IA reconoce interacciones específicas entre machos y hembras, como persecuciones rítmicas o contactos físicos sutiles.
- Monitoreo del Desove: Los sistemas pueden detectar el momento exacto de la liberación de huevos para ajustar las condiciones del agua o recoger las muestras. Esto es particularmente difícil debido a que ocurre en áreas sombreadas o protegidas del tanque.
Comportamiento de Canibalismo y Agresión: Control de Bajas
En especies territoriales o con grandes diferencias de tamaño (como el mero o el salmón joven), la agresión puede diezmar la población.
- Detección de Ataques: La IA identifica movimientos de embestida y comportamientos de acecho.
- Intervención: Al detectar picos de agresión, el sistema puede sugerir una redistribución de los peces por tamaños (calibrado) o ajustar la intensidad lumínica para reducir la territorialidad.
- Modelado Complejo: Se utilizan modelos de Atención Espacial-Temporal para distinguir entre un contacto accidental por alta densidad y un ataque agresivo intencionado.
Evolución Tecnológica: De CNN a Transformers
El artículo destaca una transición tecnológica fascinante en los modelos de visión artificial aplicados al sector:
Mantente siempre informado
Únete a nuestras comunidades para recibir al instante las noticias, informes y análisis más importantes del sector acuícola.
- Modelos basados en CNN: Arquitecturas como ResNet, VGGNet y la serie YOLO (del v2 al v12) han dominado por su equilibrio entre velocidad y precisión.
- Modelos basados en Transformers: Inspirados en el procesamiento de lenguaje, los Vision Transformers (ViT) y DETR están ganando terreno gracias a su capacidad para capturar dependencias de largo alcance en las imágenes, mejorando la detección en escenarios complejos.
| Tecnología | Ventaja Principal | Desafío |
| CNN (YOLO) | Alta velocidad para procesamiento en tiempo real | Sensibilidad a oclusiones y ruido visual |
| Transformers | Mejor comprensión del contexto global | Alta demanda computacional y convergencia lenta |
Los Cuellos de Botella: ¿Qué falta para la granja 100% autónoma?
A pesar de los avances, los investigadores identifican tres retos críticos:
- Calidad de Datos: El entorno acuático es inherentemente difícil por la refracción de la luz y el desenfoque por movimiento.
- Costo de Anotación: Entrenar estos modelos requiere miles de imágenes etiquetadas manualmente por expertos, un proceso lento y costoso.
- Hardware Limitado: Los dispositivos inteligentes en las granjas suelen tener poca memoria y potencia de procesamiento para ejecutar modelos de IA tan densos.
El Futuro: Hacia la Visión 3D y Modelos Multimodales
El horizonte de la acuicultura digital apunta hacia el uso de tecnologías de visión estéreo para reconstruir trayectorias de movimiento en 3D, superando las limitaciones de las cámaras 2D tradicionales. Además, se espera la integración de datos multimodales (imagen, audio de hidrófonos y sensores químicos) para crear sistemas de gestión holísticos y sostenibles.
Contacto
Yingyi Chen
China Agricultural University
17 Tsinghua East Road, Beijing 100083, China.
Email: chenyingyi@cau.edu.cn
Referencia
He, Q., Yu, H., Qin, H., Mei, Y., Xu, L., Chai, Y., Li, C., Song, L., Li, D., & Chen, Y. (2026). Deep learning-based computer vision for fish behavior recognition in intensive aquaculture: A comprehensive review. Computer Science Review, 60, 100896. https://doi.org/10.1016/j.cosrev.2026.100896
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.
