El monitoreo y análisis del crecimiento y el comportamiento de los peces en las diferentes etapas de crecimiento puede ayudar a los piscicultores a estimar los cambios en la abundancia de peces, longitud, y comportamiento, y de esta forma optimizar la gestión de la piscigranja.
Lamentablemente, los métodos tradicionales para analizar el estado del crecimiento y el comportamiento de los peces principalmente depende de las observaciones y mediciones de forma manual. Esto no solo demanda tiempo y mano de obra, sino que también afecta el bienestar y salud de los peces.
Con los avances en las técnicas de visión artificial y aprendizaje profundo (DL), las técnicas de detección de objetos basadas en DL se han aplicado ampliamente en la acuicultura para clasificar y localizar simultáneamente los peces de interés en las imágenes.
Un equipo conformado por investigadores de la Shandong University, de la Shandong Marine Group Ltd. y Shandong Deep Sea Green Farming Ltd. publicaron una revisión científica en donde destacan el estado de investigación de las técnicas de detección de objetos basadas en el aprendizaje profundo en el conteo de peces, la medición de la longitud corporal y el análisis del comportamiento individual.
Aún cuando ya se han publicado revisiones científicas sobre la aplicación del aprendizaje profundo en la acuicultura; el presente estudio se enfoca en las técnicas de detección de objetos para el conteo de peces, medición de longitud del cuerpo y el análisis de comportamiento.
Bases de datos y preprocesamiento de imágenes
Debido a que las redes neuronales profundas (DNN) generalmente se basan en conjuntos de datos a gran escala y de alta calidad para el entrenamiento, con la finalidad de lograr un rendimiento satisfactorio.
Los conjuntos de datos públicos relacionados con la aplicación de técnicas de detección de objetos en la acuicultura incluyen principalmente Fish4Knowledge, LifeCLEF2014, LifeCLEF2015, NOAA, NCFM e ImageNet.
- Fish4Knowledge: La base de datos es mantenida por la Comisión Europea, y se desarrolla conjuntamente por un equipo de la University of Edinburgh, Academia Sinica, y otros grupos, con el objetivo principal de ayudar en la investigación del ecosistema marino. Este conjunto de datos contiene alrededor de 700 000 clips de videos, que pueden ser usados para la identificación, detección y seguimiento de peces en imágenes y videos.
- LifeCLEF2014: Fue construido basado en la base de datos de Fish4-Knowledge, por un equipo de proyecto de University of Catania y Edinburgh, que contiene cerca de 1000 videos con 10 especies de peces. Aproximadamente 20 000 peces en esta base de datos fueron vinculados con especies en los videos.
- NOAA: La base de datos fue desarrollada por la National Oceanic and Atmospheric Administration (NOAA) durante los estudios de róbalos en la ensenada del sur de California. Este conjunto de datos contiene 929 imágenes y 1005 anotaciones.
- NCFM: Esta base de datos está respaldada por la competencia mundial “The Nature Conservancy Fisheries Monitoring” organizada por Kaggle, que contiene alrededor de 3777 imágenes de peces.
- ImageNet: Fue iniciada por el equipo de Fei-Fei Li en la Stanford University que contiene más de 14 millones de imágenes. ImageNet es un conjunto de datos de imágenes organizado por la jerarquía de WordNet, en la que cada nodo está vinculado a cientos o miles de imágenes.
Aplicación de DL en la piscicultura
El estudio revisa la aplicación de las técnicas de detección de objetos basados en el aprendizaje profundo en la acuicultura: conteo de peces, medición de la longitud del cuerpo y análisis del comportamiento individual.
Conteo de peces
Se vienen desarrollando numerosos enfoques de aprendizaje profundo para contar los peces en las imágenes; estos enfoques se dividen principalmente en: basado en la detección y basados en la estimación de la densidad.
Los mapas de métodos de conteo de peces basados en la estimación de densidad pueden obtener el número total de peces en la imagen integrando el mapa de densidad pronosticado. Sin embargo, la principal limitación de estos métodos es la incapacidad de distinguir a los peces de forma densidad.
Las técnicas de detección de objetos basados en aprendizaje profundo pueden extraer automáticamente características discriminatorias del objeto de interés en imágenes y clasificar y localizar objetos simultáneamente.
Medición de la longitud de los peces
Debido a que la longitud del cuadro delimitador de detección de objetos ideal predicho por los algoritmos de detección de objetos basados en DL corresponde a los extremos distales de las características morfológicas que representa la longitud del cuerpo del pez.
Este se ha convertido en el método preferido para medir la longitud del cuerpo del pez, especialmente, Mask R-CNN puede realizar la detección de peces y la segmentación del área del cuerpo simultáneamente utilizando una estructura de red, que se ha utilizado ampliamente en la medición de la longitud del cuerpo de los peces.
Análisis de comportamiento de los peces
Con respecto al análisis del comportamiento de la población de peces, los métodos de clasificación de imágenes basados en el aprendizaje profundo se han utilizado ampliamente para clasificar los estados de dispersión y agregación de peces en imágenes para identificar los diferentes comportamientos de las poblaciones de peces.
En los últimos años, los algoritmos de detección de objetos basados en aprendizaje profundo se han aplicado cada vez más al análisis del comportamiento individual de los peces. El procesamiento de imágenes y videos son los dos medios principales para el análisis del comportamiento individual de los peces.
Conclusión
“La revisión muestra que las arquitecturas genéricas de detección de objetos basadas en el aprendizaje profundo han jugado un papel importante en la acuicultura”, concluyen los investigadores.
Sin embargo, la detección de peces en emprendimientos acuícolas comerciales aún enfrentan varios desafíos, como el entorno complejo y las características de los peces, los requerimientos de detección en tiempo real, la falta de base de datos a gran escala, entre otros.
El estudio fue financiado por el Key Research and Development Program of Shandong Province y el Marine Science and Technology Innovation Project of Qingdao City.
Referencia (acceso abierto)
Liu, Hanchi, Xin Ma, Yining Yu, Liang Wang, and Lin Hao. 2023. «Application of Deep Learning-Based Object Detection Techniques in Fish Aquaculture: A Review» Journal of Marine Science and Engineering 11, no. 4: 867. https://doi.org/10.3390/jmse11040867
