La acuicultura enfrenta desafíos como infestaciones de piojos de mar, enfermedades y deformidades en los peces, lo que afecta su salud y comercialización.
En este contexto, la inteligencia artificial (IA), esta lista para revolucionar la industria de la acuicultura. La tesis de maestría elaborada por Yeronis Assefa y Mohamed Ali, de la University of Agder tuvó como objetivo el desarrollar una solución basada en la IA para identificar irregularidades y deformidades en el salmón de cultivo mediante el uso de la detección de “puntos claves”.
La investigación profundiza en cómo la inteligencia artificial (IA) puede revolucionar la acuicultura al detectar irregularidades en los peces utilizando tecnologías de vanguardia.
El poder de la IA en la acuicultura
La IA se viene usando en la industria de la acuicultura para la alimentación de precisión, monitoreo de los peces, control de la calidad del agua, detección de enfermedades y mejorar la gestión de las piscifactorías; sin embargo, el nuevo estudio profundiza en el uso de la IA para la detección temprana de deformidades en los peces.
Mediante el uso de la detección de puntos clave y análisis geométrico, la IA puede identificar peces con irregularidades o deformidades, lo que permite una intervención rápida y la prevención de enfermedades. Esto se traduce en peces más sanos, mejores rendimientos y menores pérdidas económicas.
El kit de herramientas de IA para la acuicultura sostenible
Las tecnologías relacionadas con la inteligencia artificial juegan un gran rol debido a que tienen la capacidad de procesar grandes cantidades de datos, lo que ayuda a la toma de decisiones más informadas. Las herramientas que incluyen la IA se pueden agrupar en:
- Aprendizaje profundo y redes neuronales convolucionales (CNN): Estas técnicas de IA destacan en el reconocimiento de imágenes, lo que las hace ideales para analizar la salud de los peces e identificar anomalías.
- Algoritmos de detección de objetos: Los modelos de detección de puntos clave YOLO y RCNN identifican características específicas en los cuerpos de los peces, lo que permite una detección precisa de anomalías.
- Grandes conjuntos de datos y aprendizaje automático: Entrenar modelos de IA en extensos conjuntos de datos de imágenes de peces etiquetados les permite «aprender» y mejorar su precisión para identificar incluso anomalías sutiles.
El estudio
La investigación de Yeronis Assefa y Mohamed Ali propone una solución: detección automática de deformidades en peces salmón mediante detección de puntos clave. Esta técnica avanzada utiliza modelos de IA para identificar puntos específicos del cuerpo del pez, como aletas y ojos. Al analizar estos puntos, el sistema puede detectar desviaciones de la norma, lo que indica posibles deformidades.
Al analizar estos puntos clave, el modelo de IA puede identificar desviaciones sutiles de la morfología normal de los peces, lo que podría indicar deformidades.
La investigación se centra específicamente en:
- Encontrar soluciones: Desarrollar métodos para identificar peces con irregularidades mediante detección de puntos clave y análisis geométrico.
- Creación de eficiencia: Utilización de modelos de IA como YOLO y detección de puntos clave RCNN para una detección rápida y precisa.
- Impacto en el mundo real: Evaluación de la practicidad y eficacia de las soluciones de IA en piscifactorías reales.
Los métodos de aprendizaje profundo basados en redes neuronales convolucionales (CNN) han revolucionado el reconocimiento visual. Técnicas como YOLO, Faster R-CNN y Stack Hourglass se destacan en la identificación de objetos y sus puntos clave (por ejemplo, aletas, ojos) en imágenes.
Los modelos ganadores: YOLO vs. R-CNN
El estudio probó dos modelos líderes de IA: YOLO y R-CNN en una base de datos que contiene 469 imágenes anotadas, donde cada imagen contiene 20 puntos clave. Ambos modelos impresionaron por sus altas tasas de precisión:
- YOLO: Con una precisión promedio promedio del 98,3%, YOLO se destaca en la identificación de puntos clave de manera eficiente.
- R-CNN: Si bien es ligeramente menos preciso en la detección (96% de precisión promedio promedio), R-CNN brilla en la alineación precisa de puntos clave, ofreciendo información detallada sobre la ubicación de cada punto.
Más allá de la detección: análisis geométrico
La investigación de Yeronis Assefa y Mohamed Ali no se limita a la mera detección. Al analizar las relaciones espaciales entre estos puntos clave, el sistema puede evaluar factores como:
- Formaciones de triángulos: Las desviaciones de las formas triangulares normales formadas por aletas y partes del cuerpo pueden indicar deformidades.
- Pendientes y ángulos: Los ángulos inusuales en la columna o la curvatura del cuerpo podrían indicar problemas.
- Pares de distancias: El análisis de distancias entre puntos clave puede revelar anomalías en el tamaño o problemas de crecimiento.
Asimismo, el estudio clasifica las deformidades en tres áreas principales: mandíbula, tamaño (delgada o gruesa) y columna. Este enfoque específico permite intervenciones específicas, como ajustar los regímenes de alimentación o la cría selectiva para abordar las preocupaciones.
Conclusión
“Nuestros hallazgos han demostrado una mejora notable en la exactitud y precisión de la detección de deformidades en los peces y han establecido una nueva práctica en el campo al cerrar la brecha entre la tecnología de punta y las prácticas de acuicultura tradicionales”, concluyen los investigadores.
Esta investigación allana el camino para un futuro en el que la IA permite que la acuicultura sea más eficiente. Al identificar y abordar las deformidades tempranamente, podemos garantizar la salud y la calidad del salmón y, en última instancia, contribuir a la seguridad alimentaria y el bienestar económico. Es importante destacar que se vienen realizando diferentes esfuerzos para reducir las deformidades de los salmones, principalmente en lo relacionado con su alimentación.
La IA no es sólo una palabra de moda; es una herramienta poderosa que está dando forma al futuro de la acuicultura.
Referencia (acceso abierto)
Assefa Yeronis and Mohamed Ali. 2023. Identification of Irregularities in Salmon Fish in Aquaculture by Using Key Point Detection. Master’s theses in Information and Communication Technology. Faculty of Engineering and Science. University of Agder. 55 p.
