Inteligencia artificial identifica salmones de crecimiento lento

Una reciente investigación realizada por investigadores de la Universidad Noruega de Ciencia y Tecnología (NTNU), Universidad de Campinas, Universidad de Wageningen y la Universidad de Bergen propuso un sistema de detección y clasificación automática que permitirá a productores e investigadores identificar salmones con retraso en el crecimiento a lo largo del periodo de producción. En la producción de salmónidos en acuicultura, es común observar individuos con retraso en el crecimiento y la causa del llamado «síndrome del pez perdedor» no está clara y necesita mayor investigación. En el estudio, los expertos presentaron y compararon sistemas de visión artificial para la detección y clasificación automática de salmones del Atlántico con retraso en el crecimiento tomadas en jaulas marinas. «Evaluamos dos enfoques de extremo a extremo (detección y clasificación combinadas) basados en YoloV5 e YoloV7, y un enfoque de dos etapas basado en el aprendizaje por transferencia para la detección y un conjunto de clasificadores (por ejemplo, percepción lineal, Adaline, soporte vectorial C, vecinos k-cercanos y perceptrón multicapa) para la clasificación. Hasta donde sabemos, el uso de un conjunto de clasificadores, considerando clasificadores consolidados propuestos en la literatura, no se había aplicado previamente a este problema. La clasificación implicó asignar a cada pez a una clase saludable y una clase con retraso en el crecimiento», detallaron los investigadores. Sobre el estudio  Se recolectaron videos submarinos de salmón del Atlántico de cultivo en cinco jaulas marinas en un centro de cultivo ubicado en Gudmundset en el condado de Møre y Romsdal, Noruega. Los videos se obtuvieron con cámaras GoPro (GoPro8, GoPro Inc, EE. UU.) en cinco días diferentes en septiembre de 2021, abril de 2022 y junio de 2022. Las clases de tamaño de los peces, las condiciones de luz, la turbidez del agua, las profundidades y la ubicación de las cámaras en el momento de la filmación variaron entre los videos. El peso estimado de los peces varió de aprox. 500 g a aprox. 2.500 g. Posteriormente, se extrajeron manualmente de los videos fotogramas que contenían peces sanos y peces de crecimiento lento, juntos o solo de una clase. El número de individuos por imagen varió. «Se obtuvieron un total de 257 imágenes, y 50 de ellas se usaron para evaluar las variaciones entre personas (interevaluador) y dentro de la misma persona (intraevaluador) en la detección y clasificación manual de peces con crecimiento lento (en adelante, conjunto de prueba de variación)», especificaron los expertos. Los peces en las 207 imágenes restantes se clasificaron de forma manual y semiautomática, para acelerar el proceso de creación de un gran conjunto de datos de imágenes: De las 207 imágenes, 50 imágenes fueron anotadas por un solo investigador utilizando el software LabelMe (Russell et al., 2008). La anotación se refiere a la detección manual y posterior clasificación de peces en las imágenes en peces sanos y peces de lento crecimiento», detallaron los investigadores. Los peces en las 157 imágenes restantes se clasificaron de forma semiautomática (similar al enfoque de Crescitelli et al., 2020); primero, las imágenes fueron anotadas automáticamente por un modelo preliminar que se desarrolló utilizando las 50 imágenes anotadas manualmente, y luego las anotaciones se verificaron manualmente para corregir las anotaciones incorrectas. «La clasificación se realizó únicamente en base a la apariencia visual de los peces en las imágenes y no se realizaron evaluaciones fisiológicas ni conductuales. Los individuos que tenían la mayor parte del cuerpo oculto, o no podían clasificarse como peces sanos o peces de lento crecimiento debido a la alta turbidez del agua, una gran distancia de las cámaras o el movimiento borroso, se mantuvieron sin anotar», acotaron en la investigación Principales resultados  El conjunto de datos creado contiene un total de 207 imágenes descritas anteriormente y se divide aleatoriamente en tres colecciones independientes según su uso en este estudio: conjuntos de entrenamiento, validación y prueba. La presencia de peces con retraso en el crecimiento en la acuicultura del salmón es un problema de bienestar que necesita medidas correctivas. Sin embargo, la falta de un sistema de monitoreo eficiente para el salmón con retraso en el crecimiento dificulta la identificación de la causa del síndrome del pez perdedor. En este estudio, se evaluaron los métodos basados en la visión por computador, específicamente los enfoques de extremo a extremo y de dos etapas. Su desempeño en la detección y clasificación de peces con crecimiento lento se evaluó tanto cuantitativa como cualitativamente, y también se comparó con la fiabilidad de la evaluación de imágenes por parte de un humano. Los resultados de la clasificación automática se compararon con la fiabilidad de la clasificación humana. «El enfoque de visión computacional con mejor rendimiento se basó en YoloV7, que alcanzó una precisión del 86,30%, un recall del 71,75% y un puntaje F1 del 78,35%. YoloV5 presentó una precisión del 79,7%, mientras que el enfoque de dos etapas alcanzó una precisión del 66,05%», detallaron los investigadores. Por otra parte, «la clasificación humana tuvo una fuerza de acuerdo sustancial (puntaje Kappa de Fleiss de 0.68), lo que resalta que la evaluación por un humano es subjetiva. Nuestro sistema propuesto de detección y clasificación automática permitirá a los agricultores e investigadores seguir la abundancia de peces perdidos a lo largo del período de producción. Proporcionamos nuestro conjunto de datos de imágenes de salmón anotadas para futuras investigaciones», sostuvieron. Proyecciones  Estos métodos arrojaron resultados prometedores y se demostró que pueden ser alternativas eficientes en tiempo a la cuantificación manual de peces con crecimiento lento. Por otro lado, los métodos investigados tenían algunas limitaciones como la clasificación errónea de las clases sanas y peces de lento crecimiento debido a las diferentes posiciones de los peces en relación con las cámaras. También existía incertidumbre sobre si los sistemas desarrollados de detección y clasificación automáticas se pueden aplicar en diferentes escenarios, como condiciones de poca luz y diferentes clases de tamaño de salmón. «Nuestro trabajo futuro debería centrarse tanto en la mejora de los sistemas automáticos como en la expansión y diversificación del conjunto de datos de imágenes de salmón utilizado para entrenar los sistemas. La detección y clasificación automática de peces de poco crecimiento se puede implementar en las prácticas de gestión de los centros de cultivo con configuraciones de cámaras relativamente económicas, y permitirá a los productores e investigadores monitorear su abundancia durante todo el período de producción. Los datos obtenidos de dicha monitorización a largo plazo podrían ayudar a identificar las causas del «síndrome del pez perdedor» y resolver los problemas de bienestar subyacentes», destacaron los científicos. Lea el artículo completo aquí.