El comportamiento de los peces es sensible a los cambios ambientales como la temperatura, el oxígeno disuelto, y los estímulos externos, y también es un indicador de respuestas al estrés, al hambre y al estado de salud.
En la acuicultura intensiva un cambio en el comportamiento puede inducir variaciones en la distribución espacial de las poblaciones de peces. En otras palabras, la distribución espacial puede proveer información crítica para evaluar el bienestar de los peces.
Los investigadores de la China Agricultural University, de la Beijing Forestry University proponen el método SE_YOLOV5_DGhost para lograr la detección de dos categorías de objetos definidos por la información de la ubicación de los peces: distribución espacial y número de peces.
Discusión
“A diferencia de los otros tres modelos, el método propuesto los supera y logra el mejor rendimiento con parámetros y FLOP más bajos. En términos de rendimiento, nuestro modelo SE_YOLOV5_DGhost propuesto tiene la intención de centrarse en la información de ubicación relacionada con los peces, pero otros métodos parecen prestar más atención a la información espacial de los peces”, reportan los investigadores.
No obstante, describen, el rendimiento de SE_YOLOV5_DGhost cae para objetos pequeños.
“Aunque nuestro algoritmo no rinde muy bien en objetivos pequeños, aún se puede aplicar a escenarios de cultivo reales. Para garantizar la efectividad de nuestro método propuesto, hacemos inferencias sobre dos tipos de videos que contienen comportamiento normal y comportamiento de estrés causados por humanos que perturban a la población de peces”, destacaron.
Para distinguir mejor los comportamientos especiales del comportamiento normal, el valor promedio de todas las imágenes se establece como umbral. Cuando el valor superó el umbral, implica la posibilidad de comportamientos especiales en la población de peces.
“En consecuencia, el algoritmo logra la extracción automática de información útil sobre los comportamientos de las poblaciones de peces a partir de datos de video, que pueden proporcionarse como base para la toma de decisiones en los comportamientos de las poblaciones de peces”, recomiendan.
Conclusiones
Las principales contribuciones de los investigadores se resumen a continuación:
- La investigación es para demostrar que la detección de objetos se puede emplear en la cuantificación de la distribución espacial de una población de peces. Ellos proponen el método SE_YOLOV5_DGhost para ubicar y clasificar los peces según su elección de posición, en el fondo o en los niveles superiores.
- Introducen el módulo SE_attention para mejorar la interdependencia de los canales y se supera un nuevo cuello de botella mediante DGhost para aumentar la capacidad de discriminación de los peces en forma individual, lo que mejora la capacidad de extracción de características y reduce los parámetros y FLOP del modelo.
- Para evaluar el rendimiento de la detección, el algoritmo propuesto por los investigadores se realiza en el conjunto de datos de peces de un entorno de cultivo intensivo y logra un rendimiento superior.
Contacto
Yingyi Chen
National Innovation Center for Digital Fishery, China Agricultural University, Beijing, 100083, People’s Republic of China
Email: chenyingyi@cau.edu.cn
Referencia (acceso libre)
Chen, Y., Liu, H., Yang, L. et al. A lightweight detection method for the spatial distribution of underwater fish school quantification in intensive aquaculture. Aquacult Int (2022). https://doi.org/10.1007/s10499-022-00963-y