Para los piscicultores, predecir con precisión el peso de los peces es crucial para optimizar la asignación de alimento, gestionar los niveles de stock y maximizar la rentabilidad. Los métodos tradicionales suelen implicar el pesaje manual, lo que puede llevar mucho tiempo y mano de obra.
Afortunadamente, el auge del aprendizaje automático ofrece una solución prometedora: la predicción automatizada del peso corporal mediante análisis de imágenes.
En este contexto un equipo de científicos de la Agricultural University of Athens, de la Avramar Aquaculture SA, estableció un modelo de predicción del peso del cuerpo para la dorada (Sparus aurata) de 50 a 1000 g.
La búsqueda de una estimación precisa del peso
Este estudio tuvo como objetivo desarrollar un modelo de predicción preciso del peso corporal (PC) para doradas que pesen entre 50 y 1.000 gramos. Los investigadores recopilaron datos de 3.312 peces individuales, midieron meticulosamente su peso y capturaron fotografías digitales.
De estas imágenes, se extrajeron varias medidas corporales, incluida la longitud total del cuerpo, la longitud del cuerpo en forma de horquilla, la longitud del cuerpo estándar, la altura del cuerpo, la longitud de la cabeza, el diámetro de los ojos, el área del cuerpo, el área de la cabeza y el área de los ojos.
Identificación de predictores clave del peso corporal
El análisis estadístico reveló una fuerte asociación entre el peso corporal y varias medidas corporales, particularmente la longitud corporal estándar, la altura corporal, el área corporal y las proporciones entre el área corporal y la longitud corporal estándar y la altura corporal. Luego, estos predictores clave se seleccionaron para su posterior análisis utilizando varios modelos de regresión.
Construcción del modelo predictivo
Los investigadores compararon el rendimiento de la regresión lineal simple, la regresión lineal múltiple y la regresión polinómica de segundo orden. Analizaron la precisión de los modelos en todo el conjunto de datos, así como dentro de tres subgrupos de peso específicos (50-100 g, 100-500 gy 500-1000 g).
“Una característica común de todos los mejores modelos de predicción del BW obtenidos en el presente estudio, sin importar el rango de BW en el que se aplicaron, es la participación del área corporal del pez (BA) como un predictor importante”, informaron los científicos.
Asimismo destacan que “las aletas contribuyen mucho al área pero poco al BW; se pliegan y despliegan continuamente en un pez nadando, aunque también pueden dañarse. La medición de BA sin aletas es una variable más precisa y explica la mejora de las predicciones relacionadas, mientras que puede encajar mejor en los sistemas de visión por computadora”.
El poder del aprendizaje automático
Los resultados resaltaron la clara ventaja de utilizar el aprendizaje automático sobre los métodos tradicionales. Predecir el peso corporal a partir de todo el conjunto de datos resultó mucho más preciso que las predicciones realizadas dentro de subgrupos de peso individuales.
Los modelos con mayor coeficiente de determinación (R2) y menores errores (error porcentual absoluto medio, MAPE) fueron la regresión de potencia de BW con área corporal (R2: 99,0%, MAPE: 5,8%) y la regresión lineal múltiple de BW con longitud corporal estándar, área corporal y relaciones entre el área corporal y la longitud corporal estándar y la altura corporal (R2: 98,6%, MAPE: 5,1%).
Simplicidad y Eficiencia
Si bien ambos modelos cuentan con una precisión impresionante, la regresión de potencia tiene una clara ventaja en su simplicidad. Al requerir solo la medición del área corporal, ofrece un enfoque simplificado que minimiza el tiempo y el esfuerzo manteniendo una precisión excepcional.
Conclusión
Los modelos identificados en este estudio representan un importante paso adelante en el desarrollo de una predicción precisa y eficiente del peso corporal de la dorada. Al utilizar la visión artificial y el aprendizaje automático, los piscicultores ahora pueden lograr una mayor precisión en sus operaciones, lo que lleva a una mejor gestión de recursos, sostenibilidad y rentabilidad.
“En conclusión, la ecuación de potencia entre BW y BA reportada en el presente estudio [ln(BW) = −8.846 +1.525 × ln(BA) o BW = exp (−8.846 + 1.525 × BA)] puede predecir con precisión el BW de la dorada, en el rango de 50 a 1000 g, mediante la medición de un solo rasgo, es decir, el área del cuerpo monolateral sin aletas”, concluyen los investigadores.
Esta investigación allana el camino para un mayor refinamiento y optimización de estos modelos, incorporando potencialmente factores adicionales como las condiciones ambientales y los tipos de alimento. A medida que la tecnología continúa evolucionando, el futuro de la piscicultura parece cada vez más brillante, impulsado por el poder de los datos y el análisis inteligente.
El estudio ha sido financiado por HEAL-Link Greece. El estudio es parte del proyecto “Structured Light-Based fish BiOmass estimator – SaLTBOx” que es financiado por el European Maritime and Fisheries Fund.
Contacto
Nafsika Karakatsouli
Laboratory of Applied Hydrobiology, Department of Animal Science
Agricultural University of Athens
Iera Odos 75, 118 55, Athens, Greece
Email: nafsika@aua.gr
Referencia (acceso abierto)
Karakatsouli, N., Mavrommati, M., Karellou, E.I. et al. Weight prediction of intensively reared gilthead seabream Sparus aurata from morphometric traits measured in images. Aquacult Int (2023). https://doi.org/10.1007/s10499-023-01343-w
