El aprendizaje automático es un tipo de inteligencia artificial que usa algoritmos para emular la forma en la que razona el cerebro humano. Estos algoritmos son capaces de automatizar grandes cantidades de datos y tienen un importante potencial de uso en acuicultura por tratarse de una herramienta de precisión del comportamiento no invasivo.
Lo más importante en estos casos es poder entrenar al algoritmo de aprendizaje profundo basado en imágenes que detecta y rastrea las doradas (Sparus aurata) y, a partir de ahí, identifica automáticamente comportamientos individuales.
Los equipos utilizados en estos casos de grabación de vídeo son muy novedosos. Cuando la red está entrenada es capaz de alcanzar precisiones de más del 90% de clasificación correcta.
Un ejemplo del empleo de esta tecnología es el trabajo publicado por el grupo de Ecología de Peces del Instituto Mediterráneo de Estudios Avanzados (IMEDEA) en el que entrenan un Faster R-CNN para rastrear automáticamente doradas a partir de datos de vídeo durante ensayo de comportamiento en arenas experimentales.
En este caso, y como era esperado, la red neuronal entrenada junto con Raspberry Pi pudo predecir correctamente la presencia de las doradas con un 92,79% y de su posicionamiento de 98,89%.
El modelo experimental estaba compuesto de un acuario enriquecido con un refugio y un fondo arenoso, lleno de agua de mar esterilizada a 21 grados centígrados, mantenido por un sistema de filtrado biológico y físico, incluyendo un skimmer, un sistema cerrado de recirculación y un aireador.
El refugio, además de brindar la oportunidad del pez para esconderse, sirvió para crear dos condiciones diferentes: presencia o ausencia del pez.
En total se testaron 108 ejemplares de dorada, obteniendo más de 14 000 horas de vídeo que permitieron, según señalan los investigadores, obtener información conductual relevante.
El experimento también sirvió para detectar y corregir algunos fallos en el algoritmo. Por ejemplo, que perdía su objetivo cuando éste se movía rápido, o cuando estaba cerca del fondo ya que el abdomen claro del pez se asemejaba al color de la arena, produciendo errores de posicionamiento.
Este trabajo estuvo financiado a través del proyecto FISHOBES del Ministerio de Ciencia e Innovación.
Referencia:
Marco Signaroli, Arancha Lana, Martina Martorell-Barceló, Javier Sanllehi, Margarida Barcelo-Serra, Eneko Aspillaga, Júlia Mulet y Josep Alós. Measuring inter-individual differences in behavioural types of gilthead seabreams in the laboratory using deep learning. PeerJ. DOI: 10.7717/peerj.13396
Te puede interesar
Agenda
-
09octmié, 09 oct - jue, 10 octAuditorio Municipal de O Grove - O Grove (Pontevedra)
-
22seplun, 22 sep - jue, 25 sepPalacio de Congresos de Valencia