Los métodos tradicionales de monitoreo de los entornos acuícolas suelen requerir mucha mano de obra y son ineficientes. Para abordar estos desafíos, los investigadores han recurrido a las tecnologías de visión artificial, que ofrecen capacidades de monitoreo y gestión en tiempo real.
Sin embargo, la detección de peces sigue siendo una tarea crítica pero desafiante debido a factores como las condiciones de luz variables, la turbidez del agua y la dinámica en los fondos de los estanques.
Los investigadores de Vellore Institute of Technology desarrollaron un nuevo modelo llamado AquaYOLO, un modelo de vanguardia diseñado para optimizar la detección de peces en entornos de acuicultura a pequeña escala.
La necesidad de una detección avanzada de peces
La piscicultura, en particular en regiones como el sur de la India, desempeña un papel vital en el apoyo a las economías locales y la garantía de la seguridad alimentaria. Sin embargo, a medida que la acuicultura aumenta, los métodos de monitoreo tradicionales se vuelven cada vez más imprácticos.
La visión artificial, impulsada por el aprendizaje profundo, ofrece una solución prometedora. La detección de peces es un paso crucial en este proceso, pero enfrenta desafíos importantes, incluidas las condiciones de luz fluctuantes, la claridad del agua y la presencia de vegetación acuática.
Presentación de AquaYOLO
Desarrollado por investigadores del Instituto de Tecnología de Vellore, AquaYOLO es un modelo de última generación diseñado específicamente para aplicaciones de acuicultura. Basado en el marco YOLO (You Only Look Once), AquaYOLO incorpora varias funciones avanzadas para mejorar la precisión y la eficiencia de la detección de peces:
- Capas CSP y operaciones convolucionales mejoradas: la columna vertebral de AquaYOLO utiliza capas parciales entre etapas (CSP) y operaciones convolucionales optimizadas para extraer características jerárquicas, lo que garantiza una representación sólida de las características.
- Fusión de características a múltiples escalas: el modelo emplea sobremuestreo, concatenación y fusión a múltiples escalas en su cabeza para mejorar la representación de las características en diferentes escalas.
- Localización precisa: AquaYOLO utiliza una escala de 40×40 para la regresión de caja y omite la capa C2f final para garantizar la localización precisa de los peces, incluso en entornos complejos.
Rendimiento y validación
Los investigadores probaron AquaYOLO utilizando el conjunto de datos DePondFi, que contiene más de 50 000 anotaciones de cuadros delimitadores en 8150 imágenes recopiladas de estanques de acuicultura en el sur de la India.
De acuerdo con los resultados del estudio, el modelo logró resultados impresionantes, con una precisión de 0,889, una recuperación de 0,848 y una precisión promedio (mAP@50) de 0,909. Estas métricas demuestran la capacidad de AquaYOLO para detectar peces con precisión en tiempo real, incluso en condiciones difíciles.
El modelo también se evaluó en otros conjuntos de datos de referencia, incluidos DeepFish y OzFish, para evaluar sus capacidades de generalización. AquaYOLO superó constantemente a los modelos existentes, lo que demuestra su solidez y adaptabilidad en diferentes entornos acuáticos.
Principales contribuciones de AquaYOLO
- Nueva aplicación: AquaYOLO aborda un problema de investigación único al centrarse en la detección de peces en tiempo real en entornos de estanques del sur de la India, un área con una investigación previa limitada.
- Optimización del modelo: El modelo incorpora mejoras arquitectónicas avanzadas, como capas CSP y fusión de características de múltiples escalas, para mejorar la precisión de detección y la eficiencia computacional.
- Generalización: AquaYOLO ha sido validado en múltiples conjuntos de datos, lo que demuestra su capacidad de generalizarse en diferentes entornos acuáticos y especies de peces.
Implicaciones para la acuicultura
La capacidad de AquaYOLO para proporcionar una detección de peces precisa y en tiempo real tiene implicaciones significativas para la industria de la acuicultura. Al automatizar los procesos de monitoreo, el modelo puede ayudar a los acuicultores a optimizar la alimentación, reducir el desperdicio y mejorar la salud general de los peces. Además, AquaYOLO se puede integrar con otras tecnologías, como sensores de calidad del agua, para crear sistemas integrales de acuicultura inteligente.
Direcciones futuras
Si bien AquaYOLO ha demostrado un rendimiento notable, aún existen áreas de mejora. La detección de peces pequeños o distantes, en particular en aguas muy turbias, sigue siendo un desafío.
Las investigaciones futuras se centrarán en mejorar la capacidad del modelo para manejar oclusiones y mejorar la detección en condiciones de baja visibilidad. Además, la integración de AquaYOLO con sistemas de alimentación automatizados y otros dispositivos de IoT podría mejorar aún más su utilidad en la acuicultura.
Conclusión
AquaYOLO representa un avance significativo en el monitoreo de la acuicultura, ofreciendo una solución eficiente y precisa para la detección de peces en tiempo real. Su capacidad para abordar los desafíos específicos de los entornos de estanques de acuicultura lo convierte en una herramienta valiosa para los productores acuícolas que buscan optimizar sus operaciones.
Al aprovechar el aprendizaje profundo y la visión artificial, el modelo de AquaYOLO ofrece una herramienta poderosa para la detección de peces en tiempo real, lo que contribuye a la gestión sostenible de los recursos acuáticos. A medida que la demanda mundial de productos del mar sigue aumentando, las tecnologías como AquaYOLO desempeñarán un papel crucial para garantizar la eficiencia y la sostenibilidad de las prácticas de acuicultura.
Los fondos para el acceso abierto fueron proveídos por Vellore Institute of Technology.
Contacto
A. Sasithradevi
Center for Advanced Data Science, Vellore Institute of Technology
Chennai, 600127, India
Email: sasithradevi.a@vit.ac.in
Referencia (acceso abierto)
Vijayalakshmi, M., Sasithradevi, A. AquaYOLO: Advanced YOLO-based fish detection for optimized aquaculture pond monitoring. Sci Rep 15, 6151 (2025). https://doi.org/10.1038/s41598-025-89611-y
