El conteo de larvas de camarón es una tarea tediosa tanto para los criaderos como los camarones debido a que consume tiempo y se requiere de mano de obra de forma intensiva debido a que se necesita entre 15 a 20 minutos para contar 500 a 700 larvas.
Un equipo de investigadores de la South China Agricultural University y del South China Sea Fisheries Research Institute (CAFS) desarrollaron un método automático de conteo de larvas de Penaeus monodon a través de una regresión de puntos clave iguales para obtener el número de larvas en imágenes capturadas solo por teléfonos inteligentes.
Los principales resultados del estudio se resumen en:
- Reunieron una gran cantidad de imágenes de larvas de Penaeus monodon sin ningún otro instrumento de ayuda, y construyeron un conjunto de datos Penaeus_1k.
- Un método de conteo de larvas de P. monodon, que no solo puede predecir con precisión el número de larvas en la imagen, sino también ubicar con precisión los puntos clave de las larvas en la imagen.
- Realizaron extensos experimentos en el conjunto de datos Penaeus_1k para demostrar la efectividad del método propuesto.
Métodos de conteo de larvas de camarón
Los métodos de conteo de larvas de camarón pueden ser clasificados en la estimación tradicional y los métodos de procesamiento de imagen.
Estimación tradicional
La estimación tradicional incluye métodos manual y de pescado. En el método manual, miles de larvas son separadas en numerosos contenedores y contados en varios lotes por diferentes individuos. Este proceso consume tiempo, es intensiva en mano de obra y peligrosa para las larvas, debido a que la exposición prolongada genera reacciones de estrés.
En el método de pesado, se pesa un grupo de larvas y se divide por el peso de una sola larva. Este método requiere que las larvas sean sacadas del agua, lo es peligroso para su salud.
Métodos de procesamiento de imágenes
Los métodos de conteo de larvas de camarón basados en el procesamiento de imágenes pueden ser clasificados en enfoques tradicional y basados en aprendizaje profundo.
El método tradicional depende del uso de técnicas de procesamiento de imágenes, como el umbral, la erosión, la dilatación y el análisis de dominio conectado, para segmentar y ubicar larvas de camarones en imágenes mediante la explotación de las características sobresalientes del hepatopáncreas de las larvas.
Los enfoques basados en el aprendizaje profundo utilizan técnicas de detección de objetivos y segmentación de instancias para determinar automáticamente el recuento de larvas de camarones a partir de imágenes estáticas. Sin embargo, ubicar con precisión las larvas es un desafío debido a su superposición y adhesión.
Recolección de datos de larvas de camarón
Para estandarizar el proceso de recolección de datos de larvas de camarón, los investigadores emplearon un recipiente con un volumen adecuado de agua. En este contenedor agregaron un pequeño número de larvas al recipiente como primer grupo, seguido de siete grupos adicionales cada uno de los cuales contiene sucesivamente más larvas.
Para garantizar la coherencia, cinco personas se turnaban para recopilar 50 imágenes después de cada adición de larvas. El recolector de imágenes sostiene el teléfono móvil a una distancia de 300 mm a 500 mm encima del contenedor y capturaron imágenes que incluyen a todas las larvas en el contenedor.
Con la finalidad de obtener una base de datos, las imágenes son colectadas desde diferentes perspectivas, resultando en variaciones en el fondo, la perspectiva y la intensidad de la luz.
Aplicación de smartphone para contar larvas de camarón
El algoritmo propuesto por los investigadores para el conteo automático de larvas de camarón se implementó a través de un applet de WeChat, que ofrece una interfaz de usuario concisa y conveniente.
En la página de inicio del applet, los usuarios pueden hacer clic en el botón verde de conteo situado en el medio. Tienen la opción de capturar una foto o seleccionar una imagen de larvas de camarón del álbum de tu teléfono inteligente.
Posteriormente, el usuario puede subir la imagen al servidor de la nube para su procesamiento. En el servidor en la nube, el algoritmo de máscara R-CNN se emplea inicialmente para extraer el contenedor de la imagen, eliminando así la interferencia de fondo.
Finalmente, los resultados del conteo de larvas de camarones, junto con el tiempo de procesamiento, la imagen original y la imagen etiquetada, se envían a la página de resultados para su visualización. Cada resultado de conteo se guarda en el historial de conteo para revisión futura.
Características de la aplicación
“En este estudio, proponemos un método eficiente de conteo de camarones basados en PLCS y HRNet-w48. El método propuesto localiza aproximadamente los puntos clave de larvas de camarón y simultáneamente obtiene el número de larvas de camarón en las imágenes”, reportan los investigadores.
Ellos destacan que en contraste a los métodos tradicionales de procesamiento de imágenes, no requiere el uso del equipamiento adicional para asegurar la consistencia en el entorno de adquisición de imágenes.
Sin embargo, resaltan, la exactitud del conteo por el método propuesto puede ser significativamente afectada por la calidad de imágenes.
“Para facilitar el conteo automático de camarones, desarrollamos un sistema basado en el método de aprendizaje profundo y teléfonos inteligentes. El sistema utiliza smartphones para capturar imágenes de larvas de camarón, que son subidos a un servidor para el procesamiento para contar el número de larvas de camarón en las imágenes”, destacaron.
Conclusión
“Este estudio propone un método de conteo fácil de usar, eficiente y preciso para las larvas de camarón tigre negro. Este método puede estimar con precisión el número de larvas en el contenedor, mejorar la eficiencia de las transacciones de larvas de camarón tigre negro entre el hatchery los productores de camarones, ayudar a los criadores a conocer con mayor precisión el número de larvas de camarón compradas”, concluyen los investigadores.
El método propuesto se evaluó en el conjunto de prueba Penaeus_1k, que logró resultados de conteo favorables.
“La tasa de precisión promedio alcanzó el 93,79%, con un MAE de 33,69 y un MSE de 34,74. En comparación con los métodos de mapa de densidad, nuestro enfoque propuesto demuestra un rendimiento general superior. No solo determina con precisión las posiciones clave de las larvas, sino que también exhibe una alta precisión y estabilidad”, finalizaron.
Referencias (acceso abierto)
Li, Ximing, Ruixiang Liu, Zhe Wang, Guotai Zheng, Junlin Lv, Lanfen Fan, Yubin Guo, and Yuefang Gao. 2023. «Automatic Penaeus Monodon Larvae Counting via Equal Keypoint Regression with Smartphones» Animals 13, no. 12: 2036. https://doi.org/10.3390/ani13122036
