La cría de langostinos entra en la era digital con el sistema IMASHRIMP

Un equipo de investigadores de la Universidad de Las Palmas de Gran Canaria (España) ha desarrollado un sistema pionero diseñado para automatizar el análisis biométrico del langostino blanco (Penaeus vannamei), mejorando significativamente la precisión y la velocidad de las mediciones utilizadas en los programas de selección genética.

El sistema, denominado IMASHRIMP, emplea técnicas avanzadas de visión por computador y aprendizaje profundo para extraer 23 variables morfológicas a partir de imágenes RGB-D tomadas en vista lateral y dorsal. Está específicamente diseñado para su aplicación en programas de cría como PMG-BIOGEMAR©, gestionado por el grupo ecuatoriano Almar.

Se trata del primer estudio conocido que aplica estimación de pose 3D articulada en camarones utilizando imágenes RGB-D. Este sistema alcanza tasas de error más bajas que trabajos comparables en otras especies acuícolas.

Según los investigadores, el objetivo es “reducir el error humano y acelerar el proceso de fenotipado”, lo que permite una selección más eficiente de los rasgos genéticos deseables. Los autores señalan que el proceso manual actual es tanto lento como propenso a imprecisiones. Por tanto, añaden, “proponemos una solución novedosa para medir automáticamente langostinos utilizando técnicas de aprendizaje profundo, permitiendo un fenotipado preciso y robusto”.

IMASHRIMP incorpora dos módulos de inteligencia artificial para minimizar los errores humanos. El primero determina la vista del camarón (lateral o dorsal), mientras que el segundo detecta la presencia o ausencia del rostro —una estructura anatómica clave que suele estar dañada en ejemplares adultos.

Comparando las anotaciones humanas con las predicciones de la IA mediante un sistema de autenticación en dos pasos, la plataforma redujo los errores de clasificación del punto de vista de la imagen del 0,97% al 0%, y los errores en la detección del rostro del 12,46% al 3,64%.

Mapeo de puntos clave y conversión 3D

El sistema utiliza una versión adaptada de la red neuronal VitPose para detectar 23 puntos anatómicos clave en cada camarón, formando un “esqueleto” virtual para realizar un análisis morfológico detallado. Si el rostro está dañado, el modelo se ajusta para analizar 22 puntos.

Una vez identificados los puntos clave, un modelo de regresión basado en Máquinas de Vectores de Soporte (SVM) convierte los datos de píxeles en medidas reales en centímetros. Este método mostró un error medio de tan solo 0,07 ± 0,1 cm, superando significativamente a los métodos tradicionales de calibración.

El sistema IMASHRIMP fue validado con un conjunto robusto de 12.367 imágenes, recopiladas durante ocho meses en el laboratorio SABE (Servicio de Análisis para Acuicultura y Biotecnología de Alta Especialización). Cada camarón fue fotografiado en múltiples posiciones usando una cámara de profundidad Intel RealSense D435 bajo iluminación controlada.

En las pruebas, el sistema alcanzó una precisión media (mAP) del 93,12% en la estimación de poses. Las mediciones morfológicas obtenidas desde las vistas dorsal y lateral fueron igualmente precisas, lo que confirma la fiabilidad de la herramienta desde distintas perspectivas de imagen.

Con la demanda mundial de camarón en constante crecimiento, Ecuador —actualmente el mayor exportador del mundo— enfrenta una presión creciente para mejorar su productividad. Según la FAO (2024), el camarón blanco representó 6,8 millones de toneladas de producción acuícola global en 2022. Herramientas como IMASHRIMP pueden desempeñar un papel crucial para satisfacer esta demanda de forma sostenible, al permitir evaluaciones genéticas más rápidas, no invasivas y rentables.

Los autores destacan que el sistema actualmente opera bajo condiciones de laboratorio y que aún debe evaluarse su rendimiento en granjas comerciales. También sugieren futuras mejoras que podrían incluir el reconocimiento de múltiples camarones por imagen, su implementación en entornos industriales y la reconstrucción de formas 3D mediante inteligencia artificial y fusión RGB-D.

Los investigadores visualizan futuras aplicaciones del sistema en entornos industriales, así como su expansión al análisis de múltiples camarones por imagen. El código de IMASHRIMP está disponible públicamente en:
https://github.com/AbiamRemacheGonzalez/ImaShrimp-public

Referencia:

Abiam Remache González, Meriem Chagour, Timon Bijan Rüth, Raúl Trapiella Cañedo, Marina Martínez Soler, Álvaro Lorenzo Felipe, Hyun-Suk Shin, María-Jesús Zamorano Serrano, Ricardo Torres, Juan-Antonio Castillo Parra, Eduardo Reyes Abad, Miguel-Ángel Ferrer Ballester, Juan-Manuel Afonso López, Francisco-Mario Hernández Tejera, Adrian Penate-Sanchez. IMASHRIMP: Automatic White Shrimp (Penaeus vannamei) Biometrical Analysis from Laboratory Images Using Computer Vision and Deep Learning. Arxiv. https://doi.org/10.48550/arXiv.2507.02519