Pesquisadores do Freshwater Institute — Sullivan Steele, Rakesh Ranjan, Kata Sharrer, Scott Tsukuda e Christopher Good — publicaram um novo estudo na revista Sensors. O trabalho utilizou uma combinação de imagens simuladas por computador e imagens reais para treinar um modelo mais confiável de detecção de peixes em sistemas de recirculação aquícola (RAS), promovendo o desenvolvimento de estratégias que melhoram o desempenho, a rentabilidade e a sustentabilidade da produção de peixes.
Métodos intensivos de cultivo de peixes em terra, como os sistemas de recirculação (RAS), estão emergindo como uma abordagem sustentável para produzir peixes de alta qualidade e mais próximos aos consumidores. A gestão adequada dos sistemas RAS é essencial para manter um ambiente de produção ideal para os peixes.
Atualmente, tecnologias de precisão, como redes de sensores, visão computacional, inteligência artificial (IA) e Internet das Coisas (IoT), estão sendo adotadas na aquicultura para melhorar a eficiência, a rentabilidade e a sustentabilidade da produção. No entanto, as condições adversas de operação, os altos custos de manutenção e a conectividade limitada de energia e dados são grandes desafios para a adoção em larga escala, afetando a viabilidade econômica da incorporação dessas tecnologias, especialmente no cultivo em gaiolas marinhas.
Por outro lado, essas tecnologias são mais fáceis de adotar em sistemas RAS, que oferecem um ambiente controlado para o cultivo de peixes. Pesquisas recentes indicam que o uso de aprendizado de máquina (ML – Machine Learning) e a detecção de objetos têm aplicações como estimativas de biomassa, monitoramento da saúde e bem-estar dos peixes, previsão de doenças, otimização da alimentação e monitoramento do comportamento e da qualidade da água.
O estudo
Em um estudo intitulado “Computer-Simulated Virtual Image Datasets to Train Machine Learning Models for Non-Invasive Fish Detection in Recirculating Aquaculture”, os pesquisadores determinaram que conjuntos de dados gerados por computador podem reduzir o tempo de treinamento dos modelos de IA em até sete vezes, ao mesmo tempo em que detectam peixes de forma confiável em sistemas RAS.
O experimento
A IA e o aprendizado de máquina (ML) podem auxiliar os produtores na gestão dos sistemas RAS. O desempenho dos modelos de ML depende da qualidade dos dados de treinamento, e a alta densidade de peixes e a turbidez da água em sistemas intensivos em RAS dificultam a obtenção de imagens subaquáticas de boa qualidade. Além disso, a anotação manual das imagens, usada no treinamento dos modelos, é um processo subjetivo e demorado.
Diante disso, o estudo simulou o comportamento de cardumes em condições de RAS, utilizando imagens virtuais geradas por computador para treinar um modelo robusto de detecção. O processo de anotação das imagens foi automatizado, acelerando o treinamento. O desempenho dos “modelos virtuais” foi comparado ao de modelos treinados com imagens reais e com combinações de ambas.
Metodologia
O comportamento dos cardumes foi simulado no software Blender, utilizando o sistema de partículas Boids, que permite simular bandos, rebanhos e cardumes. Um tanque virtual foi criado, e um modelo 3D de truta arco-íris (Oncorhynchus mykiss) foi utilizado para representar os peixes. As condições de luz e o comportamento dos cardumes dentro do tanque foram replicados de forma precisa.
O conjunto de dados mais eficiente foi usado para avaliar o desempenho dos modelos de detecção de peixes, com imagens coletadas em um tanque semi-comercial de 150 m³ no Freshwater Institute, com uma densidade de 40 kg/m³ de trutas arco-íris.
Principais resultados
Embora o modelo treinado exclusivamente com imagens simuladas tenha apresentado limitações na detecção parcial de peixes, a substituição de uma pequena quantidade dessas imagens por imagens reais melhorou significativamente o desempenho. O modelo M6, treinado com 630 imagens simuladas e 70 reais, atingiu uma precisão média de 91,8% e uma pontuação F1 de 0,87, detectando com precisão peixes inteiros e parciais em um ambiente real de RAS.
A anotação automatizada das imagens virtuais reduziu significativamente o tempo de treinamento, diminuindo os custos em sete vezes. Os pesquisadores destacaram que a simulação virtual pode acelerar o desenvolvimento de modelos eficientes e robustos para aplicações na aquicultura.
Além disso, enquanto este estudo focou na detecção de peixes, a abordagem pode ser adaptada para treinar modelos que detectem doenças, monitorem o comportamento e avaliem outros indicadores de bem-estar animal.
Os autores sugerem que futuras pesquisas explorem o uso de dados gerados por IA para treinar modelos de aprendizado de máquinas voltadas para desafios da aquicultura.
Leia a pesquisa completa aqui: https://www.mdpi.com/1424-8220/24/17/5816
