La visión artificial ya permite saber cuándo el pez está comiendo y cuándo el pienso empieza a perderse

Un estudio publicado en Results in Engineering muestra que la visión artificial aplicada a la alimentación acuícola ya empieza a ofrecer información práctica para la granja. Los investigadores han desarrollado un modelo ligero basado en YOLOv8n capaz de detectar el comportamiento alimentario de los peces a partir de imágenes, con el objetivo de apoyar sistemas de alimentación más precisos.

El trabajo parte de un problema conocido por cualquier productor: el pienso representa más del 40% de los costes de producción acuícola y los métodos tradicionales pueden generar entre un 15% y un 25% de desperdicio.

La clave está en pasar de una alimentación programada a una alimentación guiada por señales biológicas. Estos sistemas permiten identificar si los peces se agrupan alrededor del alimento, si aumenta la actividad de captura, si hay salpicaduras asociadas a alimentación intensa o si, por el contrario, la respuesta alimentaria empieza a caer.

En la práctica, la tecnología no solo ayuda a saber cuándo alimentar, sino también cuándo reducir o detener la ración antes de que el pienso deje de transformarse en crecimiento y empiece a perderse en el agua.

Para entrenar el sistema, los investigadores utilizaron 5.102 imágenes clasificadas en tres estados: alimentación fuerte, alimentación débil y ausencia de alimentación.

El modelo no se limita a “ver peces”, sino que intenta distinguir niveles de apetito y respuesta alimentaria incluso en condiciones visuales complejas, con reflejos, refracción de la luz, movimiento del agua, salpicaduras y fondos difíciles. En el conjunto de prueba, alcanzó una precisión del 92,7%, un recall del 88,8% y un mAP del 91,7%, además de reducir tamaño y necesidades de cálculo frente al YOLOv8n original.

Para el productor, la utilidad no está solo en automatizar una tolva, sino en mejorar la calidad de la decisión. Con cámaras, sensores y modelos de IA se puede empezar a saber qué lotes comen con más intensidad, cuándo cambia el apetito, qué momentos del día ofrecen mejor respuesta, cómo afectan la temperatura o el oxígeno a la alimentación, y si una estrategia de ración está generando más crecimiento o más residuo.

Una revisión reciente publicada en Aquaculture sitúa precisamente la inteligencia artificial como una herramienta para integrar sensórica en tiempo real, análisis predictivo y decisiones autónomas en alimentación, aireación, biomasa, sanidad y gestión ambiental.

El salto completo a la granja comercial aún requiere prudencia, ya que el estudio reconoce que sus datos proceden de un entorno experimental controlado y será necesario validar estos modelos en diferentes especies, sistemas de cultivo, calidades de agua, condiciones de luz y escalas productivas.

Aun así, el mensaje para el productor es claro: la IA aplicada a la alimentación acuícola ya no debe verse como una promesa abstracta, sino como una herramienta emergente para observar mejor el cultivo y alimentar con más precisión.

Su valor no está en sustituir la experiencia del granjero, sino en darle datos más objetivos para decidir cuándo alimentar, cuánto alimentar y, sobre todo, cuándo parar.

Referencias

Shi, B., Yin, R., He, X., Zhang, C., Jiang, J. & Sun, Y. (2026). Towards a lightweight YOLOv8n for aquaculture feeding detection: Architectural improvements for feature enhancement and computational efficiency. Results in Engineering, 30, 110304. https://doi.org/10.1016/j.rineng.2026.110304

Sen, K., Dey, S., Ganguly, A. & Rajak, P. (2026). Artificial intelligence in aquaculture: Advancing sustainable fish farming through AI-driven monitoring, optimization, and disease management. Aquaculture, 614, 743602. https://doi.org/10.1016/j.aquaculture.2025.743602