Uno de los indicadores más cruciales en esta industria acuícola es la mortalidad de los peces. Patrones inusuales de mortalidad pueden estar relacionados con factores estresantes, ya sean de origen abiótico o biótico, en los sistemas de acuicultura en recirculación (RAS).
En los RAS el monitoreo de los drenajes de los tanques es crítico para mantener las operaciones del sistema. La acumulación de los peces muertos en el fondo del tanque pueden conducir al atoro del desagüe y subsecuentemente complicaciones directas/indirectas.
Un equipo de investigadores del The Conservation Fund Freshwater Institute desarrollaron MortCam una herramienta para el monitoreo automatizado de la mortalidad en los RAS.
El desafío de monitorear la mortalidad
Para los gestores de granjas acuícolas, el seguimiento de la mortalidad es fundamental para tomar decisiones informadas sobre la gestión de los sistemas de RAS y abordar las causas subyacentes para prevenir eventos de mortalidad masiva.
Los métodos tradicionales suelen depender de observaciones periódicas de operadores humanos y cámaras submarinas. Sin embargo, esta aproximación tiene limitaciones, ya que no proporciona un seguimiento continuo y en tiempo real.
MortCam: una solución revolucionaria
MortCam es una solución innovadora que combina la inteligencia artificial (IA) y el Internet de las Cosas (IoT) para ofrecer un seguimiento de la mortalidad en tiempo real las 24 horas del día, los 7 días de la semana. Esta herramienta consta de un sensor de imágenes integrado con un dispositivo de cómputo en el borde (edge computing), diseñado específicamente para aplicaciones submarinas.
La herramienta MortCam se desplegó en un tanque RAS circular de 150 m³ de cultivo de salmón (Salmo salar), y se ubicó a 0.6 metros sobre la placa de drenaje del fondo, para adquirir datos de imágenes en condiciones de luz ambiental y luz suplementaria. Se tomaron imágenes cada quince minutos durante un período de 90 días.
Las imágenes obtenidas se etiquetaron como «vivos» o «muertos» y se dividieron en conjuntos de entrenamiento (70 %), validación (20 %) y prueba (10 %) para entrenar un modelo personalizado de detección de mortalidad basado en YOLOv7.
Resultados prometedores
El modelo optimizado logró una precisión promedio media (mAP) del 93.4 % y una puntuación F1 de 0.89, lo que demuestra su capacidad para detectar la mortalidad de manera precisa y confiable.
Además, el modelo se mostró robusto frente a cambios en las condiciones de imagen, lo que es esencial para la aplicación en entornos variables.
Aplicación práctica en la monitorización de mortalidad
“Los análisis de datos indican que, mientras que se despliegan los modelos de mortalidad sobre las imágenes de prueba correspondiente, las mortalidades pronosticadas por el modelo y las mortalidades reales estuvieron significativamente correlacionadas”, reportaron.
El modelo se implementó en el MortCam para lograr una monitorización autónoma de la mortalidad las 24 horas del día. El sistema generó de manera confiable alertas por correo electrónico y mensajes de texto para notificar al personal de producción de eventos inusuales de mortalidad.
“En general, los modelos desarrollados funcionaron bien en términos de seguimiento de la mortalidad al probar el modelo en imágenes adquiridas en condiciones similares. Sin embargo, el rendimiento del modelo se degradó sustancialmente cuando los modelos de mortalidad se validaron de forma cruzada”, destacan los investigadores.
Conclusión
MortCam representa un avance significativo en la acuicultura al proporcionar una herramienta de monitoreo de mortalidad en tiempo real y precisa. Esta tecnología permite a los gestores de granjas tomar medidas proactivas para abordar problemas de mortalidad y mejorar el bienestar de los peces. Además, la capacidad de MortCam para adaptarse a diversas condiciones de imagen garantiza su utilidad en una variedad de entornos de acuicultura.
Las principales conclusiones del estudio fueron:
- Los modelos de mortalidad entrenados con las imágenes capturadas en una condición de luz específica (es decir, AL o SL) obtuvieron buenos resultados en términos de mAP, puntuación F1 y recuento de mortalidad, al tiempo que validaron el rendimiento del modelo en condiciones similares. Sin embargo, su rendimiento se degradó sustancialmente al realizar la validación cruzada de los modelos (es decir, el modelo Al validado en imágenes SL y el modelo SL validado en imágenes AL).
- Un modelo de mortalidad mixto entrenado con diversos conjuntos de datos de imágenes (es decir, imágenes AL y SL) funcionó mejor que los respectivos modelos AL y SL. El desempeño del modelo mixto fue robusto ante el cambio en las condiciones de luz.
- MortCam facilitó el monitoreo autónomo de la mortalidad las 24 horas del día y alertó de manera confiable a la tripulación sobre eventos de mortalidad inusuales.
Con MortCam, la industria acuícola está dando un paso adelante hacia una producción más eficiente y ética.
El estudio ha sido financiado por el USDA Agricultural Research Service.
Contacto
Rakesh Ranjan
The Conservation Fund Freshwater Institute
Shepherdstown, WV, 25443, USA
Email: rranjan@conservationfund.org
Referencia (acceso abierto)
Rakesh Ranjan, Kata Sharrer, Scott Tsukuda, Christopher Good. 2023. MortCam: An Artificial Intelligence-aided fish mortality detection and alert system for recirculating aquaculture, Aquacultural Engineering, Volume 102, 2023, 102341, ISSN 0144-8609, https://doi.org/10.1016/j.aquaeng.2023.102341.
