Conteo automático de larvas de peces utilizando visión por computadora basado en redes neuronales

Jhordani Guélac Gómez; Jeison Elí Sánchez Calle; Miguel Ángel Valles Coral; Nixon Nakagawa Valverde; Ariel Kedy Chichipe Puscan

doi:10.17268/sci.agropecu.2022.014

Autores/as

Jhordani Guélac Gómez Universidad Peruana Unión, ft Tarapoto, Jr. Los Mártires Nro. 340, Morales, San Martín.
Jeison Elí Sánchez Calle Universidad Peruana Unión, ft Tarapoto, Jr. Los Mártires Nro. 340, Morales, San Martín.
Miguel Ángel Valles Coral Universidad Nacional de San Martín, Jr. Maynas N° 177, Tarapoto.
Nixon Nakagawa Valverde Instituto de Investigaciones de la Amazonia Peruana, Av. Abelardo Quiñones km 2.5, Iquitos, Loreto.
Ariel Kedy Chichipe Puscan Instituto de Investigaciones de la Amazonia Peruana, Av. Abelardo Quiñones km 2.5, Iquitos, Loreto.

DOI:

https://doi.org/10.17268/sci.agropecu.2022.014

Palabras clave:

acuicultura, automatización, contador automático, peces ornamentales, visión por computadora

Resumen

El conteo de larvas de peces es una técnica aplicada en la acuicultura para determinar la eficiencia de la etapa de inducción y conocer la cantidad de larvas fecundadas. Por esta razón, el objetivo de este trabajo fue mejorar el conteo de larvas bajo 3 pilares fundamentales: precisión, error y tiempo. Para esto realizamos una investigación experimental bajo un diseño completo al azar con dos sistemas de conteo: tradicional y de visión artificial; cada una con 10 repeticiones, con 2000 larvas; posteriormente realizamos el conteo mediante visión artificial utilizando una cámara que capturaba las imágenes de una pecera con peces en movimiento. Los resultados muestran que el método propuesto es factible para el conteo de larvas, con un 92,65% de precisión, 7,41% de error y un tiempo promedio de 61 segundos por repetición en relación al sistema de conteo tradicional: precisión 64,44%, error 35,61% y tiempo 2009,3 s. El sistema desarrollado puede ser replicado en el sector acuícola por su efectividad y costo.

Citas

Bellemo, V., Lim, Z., Lim, G., Nguyen, Q., Xie, Y., et al. (2019). Artificial intelligence using deep learning to screen for referable and vision-threatening diabetic retinopathy in Africa: a clinical validation study. The Lancet Digital Health, 1(1), 35-44.

Cisneros-Montemayor, A., & Cisneros-Mata, M. (2018). A medio siglo de manejo pesquero en el noroeste de México, el futuro de la pesca como sistema socioecológico. Relaciones Estudios de Historia y Sociedad, 39(153), 99-127.

Colorado, M., Abdala, D., Rojas, E., & Martínez, J. (2017). Repoblamiento de peces en el río Ranchería y transferencia tecnológica en el cultivo del pez nativo bocachico (Prochilodus reticulatus), a comunidades campesinas asen-tadas en la zona ribereña del río Ranchería en el depar-tamento de La Guajira , Colombia. Siembra CBA, 1, 79-91.

Contreras-Sánchez, W., Contreras-García, M., Mcdonal-Vera, U., Cruz-Rosado, L., & Martínez-García, R. (2020). Reproducción inducida del robalo chucumite (Centropomus parallelus) en Tabasco, México. AquaTIC, 32, 15-25.

David-Ruales, C., Machado-Fracalossi, D., & Vásquez-Torres, W. (2018). Desarrollo temprano en larvas de peces, clave para el inicio de la alimentación exógena. Revista Lasallista de Investigacion, 15(1), 180–194.

Delgado, M. Á., Cuesta, C. A., & Díaz, A. F. (2019). Evaluación de dos protocolos hormonales para la inducción del celo e inseminación artificial a término fijo (IATF) a vacas en el postparto temprano y en anestro, como herramienta para aumentar la productividad. LOGINN Investigación Científica y Tecnológica, 3(1), 94-104.

Díaz, Á., Cerrud, G., Cerrud, G., Junqueira, G., & Solis, L. (2021). Índices morfométricos y reproducción inducida de Cyphocharax magdalenae (Steindachner, 1878) sardina Maná. Visión Antataura, 5(1), 1-14.

Espinoza, L., Chilli, V., Pepe, R., Pino, J., & Contreras, Z. (2019). Captura, acondicionamiento y primer desove de sargo Anisotremus scapularis en la Región Tacna. Ciencia & Desarrollo, 25, 68-74.

França, P., Garcia, V., da Silva, A., Lewandowski, T., Detweiler, C., et al. (2019). Automatic live fingerlings counting using computer vision. Computers and Electronics in Agriculture, 167(September), 1-9.

Hee-Jee, S., Myeong Kwan, P., & Weon, J. (2020). Automatic Grader for Flatfishes Using Machine Vision. International Journal of Control, Automation and Systems, 18(12), 1-9.

Hernández-Ontiveros, J. M., Inzunza-González, E., García-Guerrero, E. E., López-Bonilla, O. R., Infante-Prieto, S. O., et al. (2018). Development and implementation of a fish counter by using an embedded system. Computers and Electronics in Agriculture, 145(December 2016), 53–62.

Hernández, L., Londoño, J., Hernández, K., & Torres, L. (2019). Los sistemas biofloc: una estrategia eficiente en la producción acuícola. CES Medicina Veterinaria y Zootecnia, 14(1), 70-99.

Khokher, M. R., Little, L. R., Tuck, G. N., Smith, D. V., Qiao, M., et al. (2022). Early lessons in deploying cameras and artificial intelligence technology for fisheries catch monitoring: where machine learning meets commercial fishing. Canadian Journal of Fisheries and Aquatic Sciences, 79(2), 257–266.

Lu, G., & Luo, M. (2020). Genomes of major fishes in world fisheries and aquaculture: Status, application and perspective. Aquaculture and Fisheries, 5(4), 163-173.

Mayca-Pérez, J., Medina-Ibañez, A., Velásquez-Hurtado, J. E., & Llanos-Zavalaga, L. F. (2017). Representaciones sociales relacionadas a la anemia en niños menores de tres años en comunidades Awajún y Wampis, Perú. Rev Peru Med Exp Salud Publica, 34(3), 414-436.

Mejia, B., Salas, A., & Kemper, G. (2018). An Automatic System Oriented to Counting and Measuring the Geometric Dimensions of Gray Tilapia Fingerlings Based on Digital Image Processing. Proceedings of the 2018 IEEE 25th International Conference on Electronics, Electrical Engineering and Computing, INTERCON 2018, 1–4.

Meza, B., & Candelaria, M. (2017). Innovación en el sector acuícola. Ra Ximhai, 13(3), 351–364.

Moncaleano, E., Sánchez, C., & Prieto, C. (2018). Estudio histológico y morfológico del desarrollo embrionario del pez capitán de la sabana (Eremophilus mutisii). Revista U.D.C.A Actualidad & Divulgación Científica, 21(2), 479-490.

Montes-Petro, C., Atencio-García, V., Estrada-Posada, A., & Yepes-Blandón, J. (2019). Reproducción en cautiverio de vizcaína Curimata mivartii con extracto pituitario de carpa. Orinoquia, 23(2), 63–70.

Sánchez-Guashpa, A., Pico-Valencia, P., Jiménez, P., & Holgado-Terriza, J. A. (2021). Sistema de Clasificación Automático de Peces Endémicos del Ecuador Usando Redes Neuronales Convolucionales. Revista Iberica de Sistemas e Tecnologias de Informacao, 45, 444-457.

Puig-Pons, V., Muñoz-Benavent, P., Espinosa, V., Andreu-García, G., Valiente-González, J. M., et al. (2019). Automatic Bluefin Tuna (Thunnus thynnus) biomass estimation during transfers using acoustic and computer vision techniques. Aquacultural Engineering, 85, 22–31.

Rojas, I., & Salazar, V. (2018). La acuicultura frente a los impactos de la actividad agrícola en la calidad de los servicios ambientales de la cuenca del río mayo. Una propuesta para su abordaje desde la economía ecológica. Revista de Alimentación Contemporánea y Desarrollo Regional, 28(51), 2-26.

Rosas-Echevarría, C., Solís-Bonifacio, H., & Cerna-Cueva, A. (2019). Sistema eficiente y de bajo costo para la selección de granos de café: una aplicación de la visión artificial. Scientia Agropecuaria, 10(3), 347-351.

Santos, D., Dallos, L., & Gaona-García, P. (2020). Algoritmos de rastreo de movimiento utilizando técnicas de inteligencia artificial y machine learning. Información Tecnológica, 31(3), 23-38.

Vallejo, H., Paucar, J., & Martinez, O. (2018). Visión artificial mediante el coeficiente de correlación para exámenes de retinoscopía. Maskay, 8(2), 75.

Vásquez-Salazar, R. D., & Cardona-Mesa, A. A. (2017). Diseño y construcción de un equipo portátil para conteo de alevines de tilapia roja. Revista Politécnica, 13, 101-111.

Yang, L., Liu, Y., Yu, H., Fang, X., Song, L., Li, D., & Chen, Y. (2021). Computer Vision Models in Intelligent Aquaculture with Emphasis on Fish Detection and Behavior Analysis: A Review. Archives of Computational Methods in Engineering, 28(4), 2785–2816.

Yu, X., Wang, Y., An, D., & Wei, Y. (2022). Counting method for cultured fishes based on multi-modules and attention mechanism. Aquacultural Engineering, 96, 102215.