Nuevo modelo de detección de peces es más rápido y eficaz en sistemas RAS

Métodos intensivos de cultivo de peces en tierra como los sistemas de recirculación acuícola (RAS) están surgiendo como un enfoque sostenible para producir peces de alta calidad cerca de los consumidores. Las estrategias adecuadas de gestión de RAS son fundamentales para mantener un entorno de producción  óptimo para los peces cultivados.  Actualmente, las tecnologías de precisión como las redes de sensores, la visión por computadora, la Inteligencia Artificial (IA) y el Internet de las Cosas (IoT) se están adoptando en las industrias acuícolas para mejorar el rendimiento, la rentabilidad y la sostenibilidad de la producción. Sin embargo, las duras condiciones operativas, el alto costo de mantenimiento y la limitada conectividad de energía y datos presentan importantes desafíos en la adaptación comercial a gran escala y afectan la viabilidad económica de incorporar tecnología avanzada en el cultivo en jaulas marinas costeras. Tales tecnologías pueden ser relativamente fáciles de adoptar en los RAS, ya que estos sistemas permiten a los acuicultores cultivar  peces en un entorno controlado. Estudios recientes indican varias aplicaciones de la clasificación de imágenes asistida por Machine Learning (ML) y la detección de objetos para la estimación no invasiva de la biomasa, el monitoreo de la salud y el bienestar de los peces, la predicción de enfermedades, la optimización de la alimentación, el monitoreo del comportamiento, la optimización de la calidad del agua, y el monitoreo de la mortalidad en RAS. Bajo esta perspectiva, un equipo de investigadores del prestigioso Freshwater Institute desarrollaron una nueva investigación denominada “Computer-Simulated Virtual Image Datasets to Train Machine Learning Models for Non-Invasive Fish Detection in Recirculating Aquaculture” que determinó que un conjunto de datos de imágenes simuladas por computadora puede reducir el costo del tiempo de entrenamiento del modelo de IA en siete veces, al tiempo que detecta peces de manera confiable en sistemas RAS. Sobre el experimento  La Inteligencia Artificial (IA) y Aprendizaje Automático (AA) pueden ayudar a los productores a gestionar mejor los sistemas de acuicultura recirculante (SAR). El AA es un proceso intensivo en datos, y el rendimiento del modelo depende principalmente de la calidad de los datos de entrenamiento. La densidad de peces relativamente alta y la turbidez del agua en el cultivo intensivo de SAR presentan desafíos importantes para la adquisición de datos de imágenes submarinas de alta calidad. Además, la anotación manual de imágenes involucrada en el entrenamiento del modelo puede ser subjetiva, lenta y laboriosa. Por lo tanto, “el estudio presentado tuvo como objetivo simular el comportamiento de un grupo de peces en las condiciones de SAR e investigar la viabilidad de utilizar imágenes virtuales simuladas por computadora para entrenar un modelo robusto de detección de peces. Además, para acelerar el entrenamiento del modelo y automatizar la anotación de imágenes virtuales, se desarrolló un flujo de proceso. El rendimiento de los ‘modelos virtuales’ se comparó con los modelos entrenados con imágenes del mundo real y combinaciones de imágenes reales y virtuales”, detallaron los autores. Método del estudio La formación de cardúmenes de peces apropiada para RAS se simuló en Blender (Blender Foundation, Ámsterdam, Países Bajos), un software de simulación y renderizado de código abierto, utilizando un sistema de partículas Boids. Este último  se puede usar para simular bandadas, rebaños, enjambres y cardúmenes de diversos tipos de animales. Las partículas dentro del sistema Boids se pueden programar para seguir reglas y comportamientos básicos para emular ciertos patrones de movimiento. El primer paso en el proceso de simulación fue generar un tanque virtual RAS. Se creó un cilindro hueco para imitar un acuario, de modo que se pudiera simular el comportamiento del cardumen de peces y las condiciones de luz dentro del tanque. Un modelo 3D de trucha arcoíris (Oncorhynchus mykiss) con 5291 polígonos se importó al entorno de Blender. Se asoció un pez único a cada partícula Boids para simular el patrón de natación de los peces en el tanque RAS virtual. En tanto, el conjunto de datos de imágenes de mejor rendimiento se utilizó para analizar el rendimiento de los modelos de detección de peces entrenados con imágenes virtuales en escenarios del mundo real. Las imágenes se recopilaron en un tanque de cultivo semi-comercial de recirculación completa de 150 m3 ubicado en el Freshwater Institute. Este estaba poblado con trucha arcoíris con una densidad de tanque en el momento de la recopilación de datos de 40 kg/m³. Las imágenes de entrenamiento generadas para (a) condiciones de baja turbidez y (b) alta turbidez. Créditos Freshwater Institute. Principales resultados  El modelo virtual entrenado únicamente con imágenes simuladas no tuvo un rendimiento satisfactorio en la detección parcial de peces; sin embargo, reemplazar pequeñas cantidades de imágenes virtuales del conjunto de entrenamiento con imágenes reales mejor significativamente el rendimiento del modelo. “El modelo mixto M6, entrenado con 630 imágenes virtuales y 70 reales, logró un mAP satisfactorio de 91.8% y una puntuación F1 de 0.87, y detectó con precisión peces enteros y parciales en un entorno RAS real”, señalaron los expertos.  “La anotación automatizada redujo considerablemente el tiempo de anotación para las imágenes virtuales. Esto resultó en una reducción de siete veces en el costo total del tiempo de entrenamiento para el modelo mixto M6. En general, la simulación virtual puede ayudar a desarrollar un modelo de detección de peces rápido y robusto para aplicaciones de acuicultura”, realzaron los investigadores.  Los científicos destacaron  que mientras este estudio se centró específicamente en la detección de peces submarinos, “un enfoque similar puede ser adaptado para entrenar modelos de aprendizaje automático con la ayuda de datos simulados para diversos propósitos, como detectar condiciones de enfermedad (por ejemplo, erosión de aletas, deformidades musculoesqueléticas, cataratas, etc.), rastrear la madurez de los peces, monitorear el comportamiento de agrupación de peces y otros indicadores de bienestar”.  Además, enfatizaron que esta investigación tuvo como objetivo entrenar un modelo de detección de peces para un entorno RAS real; sin embargo, un enfoque similar puede ser adoptado también para otros sistemas de producción acuícola. “Los recientes avances en las herramientas de generación de imágenes asistidas por modelos de lenguaje grandes (LLM) han proporcionado la capacidad de generar eficientemente extensos conjuntos de datos de imágenes para el entrenamiento de modelos de aprendizaje automático sin sofisticado software de simulación. Por lo tanto, la investigación futura debe explorar el potencial de los conjuntos de datos generados por IA para entrenar modelos de ML para abordar desafíos en la industria de la acuicultura”, recomendaron los autores.  Lea la investigación completa aquí.