ShrimpNet, un nuevo modelo IA para el conteo automático y eficiente de larvas de langostino

Un equipo de investigadores ha desarrollado ShrimpNet, una herramienta de inteligencia artificial que permite detectar y contar larvas de camarón con gran precisión en entornos acuícolas dinámicos. El sistema se apoya en una arquitectura ligera y optimizada para dispositivos de borde, lo que lo convierte en una solución adaptable y rentable para granjas de camarones.

Según los autores, liderados por Yo-Ping Huang, “el modelo ShrimpNet se basa en YOLOv8n y está especialmente diseñado para detectar objetos muy pequeños, como las larvas de camarón, cuya longitud varía entre 8 y 15 mm”.

Las técnicas tradicionales de conteo, que implican inspecciones visuales manuales, son laboriosas, propensas a errores y pueden dañar a los organismos. Además, la subestimación o sobreestimación del número de larvas repercute directamente en la estrategia de alimentación, afectando la calidad del agua y la tasa de supervivencia.

Para resolver este desafío, ShrimpNet incorpora innovaciones como el backbone DWASNet, que emplea convoluciones separables por profundidad, mecanismos de atención canal por canal y módulos de mezcla de canales. También se han introducido mejoras en la estructura del cuello del modelo, como el uso del módulo DPCCSP para la fusión eficiente de características multiescala.

A nivel operativo, el sistema se ha probado en dos configuraciones: en contenedores con agua estática y en toboganes con agua en movimiento. En ambos casos, el algoritmo de conteo fue capaz de identificar larvas de forma precisa incluso en condiciones con superposición, movimiento rápido o variaciones de iluminación. “El algoritmo incorpora detección por zonas, suavizado temporal y un mecanismo de seguridad para minimizar errores por reflejos o residuos”, señalan los autores.

Durante las pruebas, ShrimpNet alcanzó una precisión del 97,02% y una tasa de error inferior al 4% en los escenarios más exigentes, superando ampliamente a modelos como YOLOv8n o YOLOv9s. Además, su bajo consumo de recursos (2,7 millones de parámetros y 12,9 GFLOPs) permite su implementación en sistemas de bajo coste.

En cuanto a la profundidad de detección, el sistema mantiene una alta fiabilidad (superior al 90%) hasta los 30 cm, aunque su rendimiento desciende a mayor profundidad por efecto de la turbidez y las oclusiones.

ShrimpNet ya ha sido validado en entornos reales y ha demostrado su versatilidad en acuicultura, así como en tareas de detección de objetos pequeños y densos en otros sectores. Sus creadores avanzan que están trabajando en futuras mejoras para permitir su uso en aguas profundas y para detectar múltiples especies.