Los últimos avances en la crianza de camarones se han focalizado en la sustentabilidad, productividad y eficiencia. Sin embargo, con el avance en las tecnologías de la información ha emergido el “cultivo inteligente de camarón”.
El enfoque de “cultivo inteligente de camarón” o «acuicultura inteligente» es una aplicación innovadora de tecnologías avances y prácticas innovadoras de gestión de la acuacultura del camarón.
Las tecnologías actuales asisten a los camaroneros en la gestión de todo el proceso de la acuacultura del camarón. Estas técnicas avanzadas permiten el monitoreo en tiempo real del crecimiento del camarón y la calidad del agua, gestión de la alimentación, y detección del brote de enfermedades.
Las técnicas de visión computarizada pueden automatizar varios aspectos del cultivo de camarón usando cámaras y el procesamiento de imágenes o métodos de aprendizaje profundo.
En este sentido, los investigadores de la Jeonbuk National University, Korea National University of Agriculture and Fisheries, y Daesang Aquaculture Trout Association Corporation proponen un enfoque innovador la superar la brecha entre la tecnología de visión computarizada y la acuacultura del camarón mediante el uso del aprendizaje no supervisado para entrenar modelos de aprendizaje profundo.
Específicamente, el estudio sugiere el uso de un mecanismo de aprendizaje contrastivo (CL) para entrenar el extractor de características y obtener representaciones visuales de camarones.
Aplicaciones de visión computarizada en la acuacultura del camarón
El conteo de camarones es una tecnología de visión por computadora ampliamente aplicada en el campo de la cría de camarones. Los investigadores proponen un método automático de conteo de camarones utilizando el algoritmo YOLO.
Por otro lado, otros investigadores proponen YOLOv4 y MobileNetv3 para contar los camarones durante todo el proceso de cultivo.
Finalmente el modelo Deep-ShrimpNet clasifica los camarones y evalúa la calidad.
Detalles de la implementación
“Nuestra implementación se basó en la herramienta de fuente abierta MMSelfSup. Nosotros conducimos todos los experimentos en modelos de aprendizaje contrastivos usando esta herramienta”, reportan.
El entrenamiento de modelos de aprendizaje contrastivos es típicamente referido como una tarea pre-texto, que es una tarea de aprendizaje autosupervisado con el objetivo de representaciones de aprendizaje visual.
En primer lugar los investigadores construyeron una base de datos que contiene dos sub-bases de datos, donde la primera base de datos tiene cerca de 10 mil imágenes de camarones sin etiquetas de información, y pueden ser usadas para el entrenamiento no supervisado de los modelos de aprendizaje.
La segunda sub-base tiene mil imágenes de camarón con información de etiquetado de alta calidad.
Posteriormente los investigadores entrenaron los cinco modelos de aprendizaje contrastivos, incluido MoCov1, MoCov2, MoCov3, SimCLR, y Byol, y tomaron los resultados para pre-entrenar al modelo Mask R-CNN.
Conclusiones
“Proponemos un nuevo enfoque para integrar el estado del arte del aprendizaje no supervisado con el cultivo de camarón, para reducir la dependencia en la data etiquetada en la segmentación de instancias del camarón” concluyen.
Asimismo, los investigadores resumen los hallazgos del estudio en:
- El estudio contribuye con un conjunto de datos de imágenes de camarones de alta calidad y disponible públicamente. Además incluye una base de datos de segmentos de camarones para soportar el desarrollo de métodos de aprendizaje profundo.
- Nuevo enfoque que proporciona un enfoque novedoso para cambiar métodos de aprendizaje no supervisados con segmentación de instancias de camarones.
- El estudio establece un nuevo punto de referencia para la segmentación de instancias de camarones en enfoques de aprendizaje supervisados y no supervisados. El código se publica en https://github.com/heng94/ShrimpInstanceSegmentation.git (consultado el 6 de junio de 2023).
El estudio fue financiado por el Korea Institute of Marine Science & Technology Promotion (KIMST) del Ministry of Oceans and Fisheries.
Referencia (acceso abierto)
Zhou, Heng, Sung Hoon Kim, Sang Cheol Kim, Cheol Won Kim, Seung Won Kang, and Hyongsuk Kim. 2023. «Instance Segmentation of Shrimp Based on Contrastive Learning» Applied Sciences 13, no. 12: 6979. https://doi.org/10.3390/app13126979
