Un nuevo sistema de inteligencia artificial promete mejorar la eficiencia en la cría de alevines

Un nuevo sistema de inteligencia artificial podría transformar la gestión de alevines en acuicultura al permitir un seguimiento más preciso del estado de salud de los peces, su comportamiento alimentario y su respuesta al entorno, factores clave para mejorar las tasas de supervivencia y la eficiencia productiva.

Desarrollado por investigadores de la South China Normal University y la University of Surrey, el sistema combina un modelo de detección mejorado (YOLOv8-seg) con un sólido algoritmo de seguimiento (Deep OC-SORT) para abordar uno de los desafíos más persistentes de la acuicultura: el monitoreo de los alevines, la etapa más temprana y vulnerable del desarrollo de los peces.

"La detección y el seguimiento rápidos y precisos de los alevines son fundamentales para mejorar la eficiencia de la acuicultura y la calidad del producto", explican los investigadores en su artículo publicado recientemente en Aquaculture.

Los sistemas de monitoreo convencionales suelen tener dificultades debido al pequeño tamaño, el movimiento rápido y la apariencia similar de los alevines, lo que provoca errores de detección y un seguimiento inconsistente. Esto puede dificultar la optimización de los regímenes de alimentación, la detección temprana de estrés o enfermedades y el mantenimiento de condiciones ambientales óptimas.

El nuevo sistema aborda estas limitaciones mediante tres innovaciones clave: un modelo YOLOv8-seg mejorado con atención temporal y arquitectura ligera para identificar con precisión alevines a distintas escalas y velocidades; un seguimiento Deep OC-SORT mejorado con segmentación, que utiliza interpolación avanzada de máscaras para mantener una identificación constante incluso con oclusiones y en escenarios de alta densidad; y la integración del análisis de comportamiento, que permite observar cómo responden los alevines a variables como la temperatura—algo fundamental para ajustar los protocolos de cría y preengorde.

En ensayos realizados con black bass (Micropterus salmoides), el modelo alcanzó una precisión de detección del 94,3% y una precisión de seguimiento del 74,3%, superando a métodos consolidados como Deep SORT y ByteTrack. Los investigadores también realizaron experimentos con cambios controlados de temperatura, demostrando la capacidad de la herramienta para medir variaciones en la velocidad y aceleración de los alevines—parámetros que reflejan directamente su estado de salud y metabolismo.

El sistema es de código abierto y está disponible para la comunidad acuícola, lo que facilita su desarrollo posterior y aplicación en campo.

Esta innovación podría ofrecer a criaderos e instalaciones de cultivo una solución automatizada en tiempo real para monitorizar las poblaciones de alevines con mayor precisión y eficiencia, reduciendo la mortalidad, mejorando el bienestar animal y optimizando los resultados productivos.