La detección temprana y precisa de enfermedades es crucial para gestionar la salud del camarón y garantizar la sostenibilidad de las operaciones de cultivo. Si bien se ha explorado el procesamiento de imágenes, los modelos existentes a menudo presentan dificultades con la precisión, especialmente al detectar múltiples enfermedades o tratar síntomas sutiles.
Los investigadores del E.G.S. Pillay Engineering College, del SRM Institute Science and Technology y de la University College of Engineering han desarrollado un enfoque novedoso que utiliza inteligencia artificial (IA) avanzada para abordar este desafío, ofreciendo un método más robusto y preciso para identificar diversas enfermedades del camarón.
El desafío: detección temprana y precisa
Identificar enfermedades del camarón rápidamente es difícil. Los métodos tradicionales, como la inspección manual o las pruebas bioquímicas, pueden ser lentos y laboriosos. Incluso los sistemas automatizados existentes que utilizan procesamiento de imágenes y modelos estándar de aprendizaje profundo, como las redes neuronales convolucionales (CNN), presentan limitaciones. Pueden tener dificultades para:
- Capturar relaciones espaciales complejas en imágenes, especialmente si los síntomas son sutiles o dispersos.
- Gestionar variaciones en la calidad de la imagen debido a la iluminación, el ruido u otros factores.
- Detectar con precisión múltiples tipos de enfermedades utilizando un solo modelo.
Estas limitaciones dificultan la intervención oportuna y pueden provocar pérdidas sustanciales en las granjas camaroneras.
Una novedosa solución de IA: Red de cápsulas recurrentes mejorada (ERCN)
Para superar estos obstáculos, los investigadores propusieron un nuevo modelo denominado Red de cápsulas recurrentes mejorada (ERCN por sus siglas en inglés), combinado con un algoritmo de optimización híbrido. Este sofisticado modelo de aprendizaje profundo está diseñado específicamente para las complejidades de la detección de enfermedades en camarones.
Cómo funciona:
Extracción avanzada de características
A diferencia de las CNN tradicionales, la ERCN utiliza redes de cápsulas para comprender mejor los patrones espaciales y las jerarquías en las imágenes de camarones (como la posición y la orientación de los indicadores de enfermedades). También incorpora una capa recurrente (específicamente LSTM) para analizar las dependencias temporales, lo que permite rastrear cómo cambian los síntomas de la enfermedad con el tiempo en las secuencias de imágenes.
Mecanismos de atención
El modelo utiliza mecanismos de atención espacial y de canal. Estos actúan como resaltadores, permitiendo que el modelo se centre en las partes más relevantes de la imagen del camarón (p. ej., manchas específicas o decoloración de las branquias) y las características más informativas para distinguir enfermedades, ignorando el ruido de fondo irrelevante.
Fusión de características
La información sobre los detalles locales (de las cápsulas) y el contexto global/temporal (de la capa recurrente) se combinan mediante un proceso de «fusión de características de doble nivel».
Optimización híbrida
Para maximizar el rendimiento, se utiliza un algoritmo de optimización híbrido que combina la Optimización de Harris Hawks (HHO) y el Algoritmo de Depredadores Marinos (MPA). Esto ajusta inteligentemente los parámetros del ERCN para lograr la mayor precisión posible.
Clasificación
Las características finales fusionadas se incorporan a una capa de clasificación que identifica la enfermedad específica presente (o su ausencia).
Resultados impresionantes
Los investigadores probaron su modelo ERCN optimizado utilizando un conjunto de datos de 1599 imágenes que abarcan seis enfermedades comunes del camarón: Síndrome de las Branquias Negras, Síndrome de Taura (TSV), Virus del Síndrome de la Mancha Blanca (WSSV), Virus de la Cabeza Amarilla (YHV), Virus de la Necrosis Hipodérmica y Hematopoyética Infecciosa (IHHNV) y Vibriosis.
Los resultados fueron muy prometedores:
- Alta precisión: El modelo alcanzó una precisión de detección general del 95,2 %.
- Métricas de alto rendimiento: También demostró una excelente precisión (94,9%), recuperación (93,5%) y puntuación F1 (94,6%).
- Superioridad sobre los modelos existentes: El ERCN superó significativamente a los modelos convencionales de aprendizaje profundo como CNN, RNN, LSTM, GRU y VGG16 en pruebas comparativas. Por ejemplo, su precisión fue entre un 3% y un 5% superior a la de estos métodos estándar.
- Impacto de la optimización y la atención: Los estudios de ablación confirmaron que tanto la optimización híbrida como los mecanismos de atención mejoraron significativamente el rendimiento del modelo. La optimización por sí sola mejoró la precisión en más del 6 %, y la adición de ambos módulos de atención mejoró la precisión en un margen similar en comparación con una línea base sin atención.
- Potencial en tiempo real: El modelo mostró potencial para la aplicación práctica, con un tiempo de detección promedio de 58 ms por imagen (alrededor de 17 fotogramas por segundo) en el hardware probado.
Implicaciones para el cultivo de camarones
Esta investigación presenta un avance significativo en la detección automatizada de enfermedades del camarón. El modelo ERCN optimizado ofrece una herramienta poderosa para:
- Alerta temprana: Detectar enfermedades como el virus de la enfermedad de la mancha blanca (WSSV), el virus de la fiebre amarilla (YHV) o la vibriosis con mayor rapidez y precisión que los métodos anteriores.
- Mejora en la gestión: Permitir a los acuicultores tomar medidas oportunas, lo que podría reducir las tasas de mortalidad y asegurar la productividad de la granja.
- Vigilancia multienfermedad: Proporcionar un sistema único y robusto capaz de identificar una variedad de enfermedades comunes del camarón.
Si bien el modelo tiene una mayor complejidad computacional que los algoritmos más simples, su superior rendimiento de detección justifica su uso. Las investigaciones futuras podrían centrarse en optimizar aún más su eficiencia computacional.
Conclusión
El estudiopresenta un modelo optimizado llamado Red Neuronal de Cápsulas Recurrente Mejorada (ERCN) para detectar diferentes tipos de enfermedades en camarones; este modelo ERCN optimizado captura eficazmente las características espaciales (patrones en la imagen) y temporales (cambios a lo largo del tiempo) de las imágenes segmentadas de camarones enfermos.
Los resultados experimentales demuestran el rendimiento superior del modelo propuesto, alcanzando una precisión de detección del 95.2%, superando a modelos existentes como CNN, RNN, LSTM, GRU y VGG16 (cuyas precisiones estuvieron entre 89.8% y 92.3%).
El estudio concluye que el modelo ERCN optimizado con optimización híbrida es una herramienta muy eficaz y precisa para detectar múltiples enfermedades en camarones, superando a las técnicas de aprendizaje profundo convencionales, aunque con una mayor complejidad computacional que podría abordarse en el futuro.
Contacto
A. Sundar Raj
Department of Biomedical Engineering, E.G.S. Pillay Engineering College
Nagapattinam, 611002, Tamil Nadu, India
Email: drasr18@gmail.com
Referencia (acceso abierto)
Raj, A. S., Senthilkumar, S., Radha, R., & Muthaiyan, R. (2025). Enhanced recurrent capsule network with hyrbid optimization model for shrimp disease detection. Scientific Reports, 15(1), 1-24. https://doi.org/10.1038/s41598-025-94413-3
