Nuevo grader con clasificación precisa y eficiente de peces planos
La acuicultura es uno de los sectores de producción de alimentos que más ha crecido en los últimos años, con un impresionante incremento anual del 5,3 % en la última década [1] . Dentro de este ámbito, la cría de peces planos, como el lenguado (Solea solea) y el rodaballo (Scophthalmus maximus), ocupa un lugar destacado debido a su alto valor comercial y su demanda en mercados gourmet. Sin embargo, la producción de estos peces enfrenta desafíos importantes, especialmente en la fase de alevinaje, donde la clasificación por tamaño y la estimación del peso son procesos clave para garantizar un crecimiento uniforme y maximizar la supervivencia de los peces.
Los desafíos del gradding
En la actualidad la industria está usando sistemas semi-automáticos para la clasificación de alevines, que si bien suponen una clara mejora respecto a los métodos manuales, aún presentan limitaciones significativas. Uno de los principales problemas es que estos sistemas suelen basarse en un único criterio de clasificación: el peso o la altura del pez. Esta falta de multifactorialidad en el proceso de gradding (clasificación) limita su sensibilidad y precisión. Por ejemplo, un sistema que solo mide el peso puede pasar por alto variaciones importantes en la morfología del pez, como la longitud o el ancho, que también son indicadores clave de su desarrollo y salud. De manera similar, un sistema que solo considera la altura puede no capturar adecuadamente las diferencias en el volumen o la condición corporal de los alevines, lo que puede llevar a una clasificación subóptima.
Esta dependencia de un único parámetro no solo reduce la eficacia del proceso de clasificación, sino que también puede generar resultados inconsistentes. Por ejemplo, dos peces con el mismo peso podrían tener formas corporales muy diferentes, lo que afectaría su crecimiento futuro y su adaptación a los tanques de engorde. Además, estos sistemas semi-automáticos suelen ser extremadamente invasivos, ya que requieren manipulación física para medir el peso o la altura, lo que aumenta el estrés en los peces y puede elevar las tasas de mortalidad hasta un 15% en algunos casos [4]. Esta falta de sensibilidad en el proceso de gradding no solo afecta la calidad del producto final, sino que también limita la capacidad de los productores para optimizar el manejo de los alevines y garantizar un crecimiento uniforme.
La promesa de la inteligencia artificial
La limitación de los sistemas semi-automáticos a un único criterio de clasificación subraya la necesidad de adoptar tecnologías más avanzadas que puedan integrar múltiples parámetros morfométricos en tiempo real. Aquí es donde entra en juego la inteligencia artificial (IA) [2]. Tecnologías avanzadas como el reconocimiento de imágenes (visión por computador) y el aprendizaje profundo están revolucionando la acuicultura. Las redes neuronales convolucionales (CNN), por ejemplo, han demostrado ser herramientas extremadamente poderosas para tareas de clasificación y segmentación de imágenes en múltiples dominios. Recientemente, se han utilizado CNN para la identificación de enfermedades en peces [5] y la estimación de biomasa en sistemas de cultivo [6]. Estas tecnologías no solo ofrecen altos niveles de precisión, sino que también permiten el procesamiento en tiempo real, algo esencial en aplicaciones industriales.
En el caso específico de la clasificación de alevines, la IA permite combinar precisión en la identificación de tamaños a partir de una medición simultánea de múltiples parámetros morfométricos (longitud, anchura y superficie visible del pez), para estimar su peso sin necesidad de contacto físico, proporcionando datos en tiempo real para mejorar la toma de decisiones en la gestión de la producción [7].
Beneficios más allá de la eficiencia
La implementación de sistemas inteligentes de clasificación no solo mejora la eficiencia operativa, sino que también contribuye a la sostenibilidad ambiental y económica de las piscifactorías. Al clasificar de forma más precisa y eficiente, se optimizan los recursos alimenticios [3] y se reduce el desperdicio de alimento, uno de los costos más significativos en la acuicultura. Además, la posibilidad de obtener datos en tiempo real sobre las poblaciones de alevines proporciona a los operadores información valiosa para la toma de decisiones estratégicas, como el ajuste de tasas de alimentación o el diseño de planes de transferencia a estanques de engorde [8].
FishFarmFeeder: Un paso hacia el futuro
Un ejemplo concreto de esta innovación es el sistema de clasificación inteligente desarrollado por Fish Farm Feeder. Este sistema, basado en visión artificial y algoritmos de aprendizaje automático, permite la clasificación precisa y en tiempo real de peces planos en diferentes tamaños, garantizando una integración fluida en las líneas de producción existentes.
El objetivo es claro:
- mejorar la productividad
- reducir costos operativos
- proporcionar datos estadísticos para la optimización del manejo y alimentación de los peces
El sistema se basa en una arquitectura de procesamiento distribuido que integra visión artificial, algoritmos de procesamiento de imágenes y modelos de aprendizaje automático.
Su flujo operativo se divide en dos fases principales:
- una fase de muestreo y parametrización, en la que se establecen los criterios de clasificación a partir del análisis estadístico de una muestra representativa, y
- una fase de operación continua, en la que el sistema ejecuta la clasificación y la estimación de peso de cada pez mientras este atraviesa la línea de gradding.
Conclusión
La automatización de la acuicultura mediante tecnologías de IA no solo es una solución prometedora para los desafíos actuales, sino también una oportunidad para mejorar la sostenibilidad y la rentabilidad del sector. Con sistemas como el de Fish Farm Feeder, estamos viendo cómo la tecnología puede transformar la manera en que producimos alimentos, garantizando un futuro más eficiente y sostenible para la acuicultura.
Referencias:
[1] FAO. (2022). The State of World Fisheries and Aquaculture 2022. Food and Agriculture Organization of the United Nations.
[2] Yang, Xinting & Song, Zhang & Liu, Jintao & Gao, Qinfeng & Dong, Shuanglin & Zhou, Chao. (2020). Deep learning for smart fish farming: applications, opportunities and challenges.
[3] Papandroulakis, Nikos & Dimitris, Papaioannou & Pascal, Divanach. (2002). An automated feeding system for intensive hatcheries. Aquacultural Engineering. 26. 13-26.
[4] Føre, M., Frank, K., Norton, T., Svendsen, E., Alfredsen, J. A., Dempster, T., … & Berckmans, D. (2017). Precision fish farming: A new framework to improve production in aquaculture. Biosystems Engineering, 173, 176-193.
[5] Hasan, N. (2022). Fish diseases detection using convolutional neural network (CNN). International Journal of Nonlinear Analysis and Applications.
[6] Haddad, Dr & Mohammed, Fatima. (2024). A Convolutional Neural Network Approach for Precision Fish Disease Detection. EVOLUTIONARY STUDIES IN IMAGINATIVE CULTURE. 1018-1033.
[7] Kandimalla Vishnu , Richard Matt , Smith Frank , Quirion Jean , Torgo Luis , Whidden Chris. (2022). Automated Detection, Classification and Counting of Fish in Fish Passages With Deep Learning. Frontiers in Marine Science, 8.
[8] Naylor, R. L., Hardy, R. W., Buschmann, A. H., et al. (2021). A 20-year retrospective review of global aquaculture. Nature, 591(7848), 551-563.
Javier Álvarez Osuna es director de I+D+i y de tecnologías de la información en FFF.
En sus 30 años de actividad profesional las ha desarrollado mayoritariamente en el ámbito tecnológico y concretamente en el I+D+i. Ha sido investigador Torres Quevedo (2009) y en sus méritos están haber participado en más de 25 de proyectos de I+D y dirigido como investigador principal otros 10.
Autor de 10 artículos internacionales y poseedor de 2 patentes tecnológicas internacionales. Es experto en el desarrollo de sistemas embebidos y software para entornos industriales que requieren altas prestaciones.
Doctor en Farmacia por la Universidad de Santiago de Compostela (1997).
