Investigadores presentan un marco integrado de sensores para los estanques camaroneros, el pronóstico de las condiciones del estanque y la visualización del estado del estanque mediante la realidad aumentada.
La eficiente gestión de los estanques comerciales para la producción de camarones saludables es la clave para el éxito de la industria camaronera. Es necesario mantener los parámetros de calidad del agua en los estanques de camarones dentro de rangos específicos para crear un ambiente ideal de crecimiento óptimo.
La práctica actual del registro de los datos de calidad del agua y su uso para la toma de decisiones en la mayoría de las camaroneras no es eficiente y no aprovecha todas las ventajas que ofrecen las últimas tecnologías.
Un equipo de investigadores de Data61 y Agriculture and Food de CSIRO de Australia publicó una investigación que tuvo como objetivo el responder a cuatro preguntas:
i) ¿Podemos crear un marco integrado que ofrezca sensores dispersos, aprendizaje automático y realidad aumentada?
ii) ¿Qué sensores son ideales para el monitoreo continuo de las condiciones del estanques (por ejemplo la calidad del agua)?
iii) ¿Cómo podemos ofrecer información a partir de datos multidimensionales sobre la calidad del agua (recopilados en los estanques) mediante la investigación y el desarrollo de nuevos modelos de aprendizaje automático?, y
iv) ¿Cómo podemos facilitar el acceso inmediato a las condiciones del estanque en tiempo real para tomar decisiones oportunas mediante la investigación y el desarrollo de interfaces interactivas basadas en realidad aumentada?
Los investigadores colaboraron directamente con granjas comerciales de camarones, en la adopción de tecnologías de detección y desarrollo de enfoques de aprendizaje automático (Machine Learning) y realidad aumentada para mejorar la comprensión de las condiciones del estanque para una toma de decisiones más eficiente.
Sensores más confiables
“En este estudio, el sensor que resultó ser el más confiable y que proporcionó la información más relevante para el trabajo de aprendizaje automático fue el sensor de múltiples sondas YSI EXO2. Este diseño permite medir varios parámetros de calidad del agua a alta resolución (una vez cada 15 minutos) con un mantenimiento mínimo”, reportaron los investigadores.
Ellos usaron también usaron los datos de alta resolución para desarrollar una herramienta de realidad aumentada que proporciona una descripción general de todos los estanques de la granja camaronera.
“Se descubrió que los sensores portátiles YSI ProDSSEXO2 que utilizan las granjas para capturar datos a baja resolución (dos veces al día) son ideales para evaluar otra herramienta de realidad aumentada para la visualización en tiempo real de la recopilación de datos”, indican.
Pronóstico de los parámetros de calidad de agua
Con los datos adquiridos por los sensores en la granja camaronera, los investigadores consideraron varios problemas de aprendizaje automático.
El pronóstico de los parámetros de calidad de agua fue un problema considerado importante.
“Los camaroneros dependen de varias mediciones de calidad del agua, de las cuales el oxígeno disuelto, el pH, la salinidad y la temperatura del agua son considerados los más importantes”, destacan los investigadores.
Típicamente los camaroneros adquieren los datos usando sensores portátiles dos veces por día y reaccionan a los cambios en las condiciones del estanques.
Mediante la provisión de pronósticos, los camarones tienen más información para tomar decisiones sobre la dinámica esperada en el estanque.
Esto cambió el enfoque de gestión de un enfoque reactivo a un enfoque proactivo. Este nuevo enfoque puede mejorar la gestión del personal técnico, la gestión del estanque y la gestión de los recursos.
Los investigadores desarrollaron varios modelos de aprendizaje automático y de aprendizaje profundo para el pronóstico.
“Estos modelos fueron desplegados como una aplicación que provee información relacionada a los pronósticos para los camaroneros. Nuestro nuevo modelo de aprendizaje automático ForecastNet fue el que provee los mejores resultados de pronóstico”, informan.
Realidad aumentada
Para minimizar el retraso en la adquisición de los datos de los estanques, los científicos investigaron tecnologías de realidad aumentada como lentes inteligentes para acelerar la extracción y almacenamiento de las lecturas de los sensores portátiles.
“Desarrollamos una interfaz interactiva llamada Wearable Data Collection Suit (WDCS), que permitió a los investigadores de la granja evaluar las condiciones correctas de los estanques después de la medición”, informan.
Vestir lentes inteligentes en el campo permitió a los camaroneros acceder en el instante a los datos de calidad del agua históricos, actuales y proyectados.
Monitoreo y análisis de toda la granja camaronera
Para ayudar a los administradores de las granjas camaroneras a monitorear y analizar toda la granja de forma eficiente, los científicos investigaron otro enfoque de gestión del estanque llamada Microsoft HoloLens 2.
“Nosotros desarrollamos una interfaz interactiva llamada PondVis (visualización de estanques), que es un espacio de trabajo virtual de realidad aumentada y que permite a los administradores de las camaroneras a tener una visión general de las condiciones del agua en toda la granja”, reportan los investigadores.
PondVis superpone los datos de calidad del agua espacio-temporales en un holograma de la granja.
Con gestos naturales con las manos y entradas de voz, los camaroneros pueden navegar fácilmente a través del enorme conjunto de datos, identificar los estanques estresados y sumergirse en diagramas de datos detallados para investigar la causa del estrés.
PondVis también es compatible con la experiencia de realidad aumentada en la que varias partes interesadas pueden colaborar para explorar y examinar el mismo conjunto de datos de la granja camaronera cuando comparten la misma ubicación en la sala de reuniones.
“Nuestra prueba inicial en la granja con criaderos de camarones mostró que la interfaz interactiva basa en realidad aumentada puede lograr una precisión de hasta 89.2% para las decisiones de manejo con al menos 41% menos de tiempo en comparación con las prácticas de manejo de las granjas existentes”, informan los investigadores.
Estos resultados impulsarán significativamente el proceso de análisis y monitoreo de datos de la granja, permitiendo a los productores tomar decisiones de gestión más oportunas e informadas, independientemente de dónde se encuentren.
Nuevos enfoques
En general el informe presente un grupo de nuevos enfoques hacia:
i) desarrollo de un marco que integre tres diferentes tecnologías: sensores, realidad aumentada y aprendizaje automático,
ii) integrar las tecnologías de sensores para el monitoreo continuo de los datos de calidad de agua en los estanques camaroneras,
iii) desarrollar modelos de aprendizaje automático para localizar estados de predicción para los estanques,
iv) desarrollar sistemas basados en realidad aumentada para la captura y análisis de las variables de calidad del agua en una forma de “manos libres”.
Conclusión
Los investigadores determinaron que EXO2 Multiparameter Sonde fue ideal para el monitoreo continuo de los estanques con mínimo mantenimiento y el ProDSS Multiparameter Water Quality Meter fue ideal para el proceso de captura de datos basados en la realidad aumentada.
ForecastNet fue desarrollado como un modelo de aprendizaje automático para predecir el estado de los estanques en un horizonte de 24 horas y puede ser usado para tomar decisiones informadas.
PondVis fue desarrollado como una herramienta interactiva de realidad aumentada para proveer una visión holística de los estanques camaroneros en una granja para la toma de decisiones a nivel de gestión.
“Las herramientas desplegadas recibieron una buena retroalimentación de los productores basado en su experiencia sobre el uso rutinario de las herramientas”, concluyen los investigadores.
En el futuro, los investigadores esperan desplegar estos sistemas en la gestión de estanques de salmones.
Referencia (acceso abierto):
Ashfaqur Rahman, Mingze Xi, Joel Janek Dabrowski, John McCulloch, Stuart Arnold, Mashud Rana, Andrew George, Matt Adcock. An integrated framework of sensing, machine learning, and augmented reality for aquaculture prawn farm management– Aquacultural Engineering, Volume 95, 2021, 102192, ISSN 0144-8609, https://doi.org/10.1016/j.aquaeng.2021.102192.
