Movimientos natatorios del salmón podrían predecir momento perfecto para traspasar al mar
“Uno de los objetivos finales es poder determinar el momento óptimo de transferencia al mar, solamente a través del comportamiento y la visión computacional”, afirmó el científico Osvaldo Greve.
Published
Modified
La acuicultura de precisión continúa ampliando su presencia en la salmonicultura chilena. En este contexto, el proyecto desarrollado por Osvaldo Greve, candidato al Magíster en Sistemas Animales Sustentables de la Pontificia Universidad Católica de Chile, propone utilizar inteligencia artificial y visión computacional para monitorear el comportamiento de smolts de salmón del Atlántico durante desafíos salinos.
El proyecto de tesis de magíster liderado por el biólogo marino Osvaldo Greve busca desarrollar una herramienta no invasiva capaz de evaluar la adaptación de smolts de salmón Atlántico al agua de mar mediante visión computacional y análisis de comportamiento natatorio. La iniciativa reúne a investigadores de la Pontificia Universidad Católica de Chile, la Universidad Técnica Federico Santa María y el Aquaculture Technology Centre (ATC Patagonia), gracias al apoyo de una beca financiada por AquaChile, configurando una colaboración interdisciplinaria entre academia e industria.
De esta forma, el equipo ha podido acceder a infraestructura experimental, registros productivos y condiciones de cultivo reales, facilitando el desarrollo y validación de la tecnología desde etapas tempranas.
“Este vínculo ha permitido una conversación mucho más fluida entre academia e industria, acceso a datos en condiciones reales de producción y la posibilidad de ir testeando el sistema directamente en terreno”, destacó Greve, quien hizo énfasis en que este tipo de colaboración resulta fundamental para acelerar la transferencia tecnológica hacia la salmonicultura.
Origen del proyecto
Según explicó Greve, la motivación surgió a partir de su experiencia laboral previa en la salmonicultura y de la necesidad de avanzar hacia sistemas de monitoreo más continuos y menos invasivos para evaluar procesos críticos como la smoltificación, ya que, actualmente “la smoltificación se evalúa con métodos que requieren sacrificar o sedar peces para realizar análisis fisiológicos, lo que tiene un costo ético y también productivo, porque solo se puede evaluar una muestra del cardumen y no monitorear continuamente a toda la población”.
Osvaldo señaló que el objetivo central del proyecto “es construir un modelo que correlacione las variables de comportamiento natatorio - como la velocidad, la aceleración, la agrupación y la dispersión del cardumen - con indicadores fisiológicos tradicionales - sodio, cloro, actividad ATPasa branquial y factor de condición - , para determinar el momento óptimo de transferencia al mar de forma continua, no invasiva, y escalable, desarrollando una herramienta concreta para mejorar la toma de decisiones en tiempo real”.
“You only look once”
La investigación se enmarca dentro del concepto de acuicultura de precisión, el que apunta al uso de tecnologías digitales para monitorear variables biológicas y ambientales en tiempo real, permitiendo una toma de decisiones basada en datos a través de herramientas como sensores, inteligencia artificial, visión computacional y aprendizaje automático en distintas etapas de la producción acuícola.
Para ello, el equipo trabaja con cámaras cenitales instaladas sobre estanques experimentales concedidos por AquaChile, dentro del centro de investigación ATC Patagonia. De esta forma, los peces fueron sometidos a distintos protocolos de desafíos salinos y a través de las cámaras se realizaron los registros filmográficos. Estos permitieron observar el comportamiento de los cardúmenes en agua dulce, durante la transición salina y una vez adaptados al agua de mar.
Posteriormente, esos videos fueron procesados mediante un sistema de visión computacional basado en la arquitectura YOLO (You Only Look Once), red neuronal convolucional utilizada para detección de objetos en tiempo real. El modelo identifica individualmente a cada pez, le asigna un identificador único y registra sus trayectorias cuadro a cuadro, procesando en tiempo real a más de 3 fotogramas por segundo manteniendo la identidad individual con precisión de hasta 16 fotogramas por segundo para seguimiento continuo, aplicándose filtros para la reducción de “ruidos” (reflejo o refracción del agua, por ejemplo). Entre los parámetros considerados destacan velocidad, aceleración, dirección de nado y patrones de cohesión del cardumen.
La red fue entrenada manualmente con datasets etiquetados mostrando claramente qué es un salmón para que el sistema aprenda a reconocerlos correctamente, lo que se conoce como la fase de entrenamiento para la posterior validación iterativa del modelo.
Este proceso permitió entrenar al sistema para distinguir correctamente los peces bajo condiciones controladas y sentar las bases para posteriores aplicaciones en escenarios más complejos, y hasta ahora, los resultados preliminares muestran que el modelo es capaz de detectar peces en tiempo real y mantener el seguimiento individual durante secuencias continuas de video, permitiendo incluso extraer coordenadas y reconstruir trayectorias completas de los animales para posteriores análisis conductuales.
Entre los desafíos técnicos identificados por el equipo se encuentran la turbidez variable del agua, los reflejos superficiales, los cambios de iluminación y el seguimiento de peces cuando existen cruces o altas densidades de individuos, factores que pueden afectar la precisión de detección. A pesar de ello, los investigadores destacan que el sistema ya ha demostrado capacidad para anticipar trayectorias de nado y mantener la identidad de los peces durante el seguimiento, aspectos clave para la construcción futura de biomarcadores conductuales.
Próximos pasos
“Lo que sigue pendiente es la fase de correlación entre variables conductuales e indicadores fisiológicos, que es el paso que estamos comenzando ahora”, explicó Greve, siendo uno de los objetivos de largo plazo el desarrollo de un biomarcador de comportamiento natatorio capaz de inferir el estado fisiológico de los smolts sin necesidad de realizar muestreos invasivos. De concretarse, la tecnología podría reducir significativamente el número de peces sacrificados para monitoreos rutinarios.
El proyecto también apunta a ser validado en condiciones productivas reales y ampliar su uso más allá de la smoltificación. Debido a que el sistema puede ser entrenado con nuevos conjuntos de datos, en el futuro podría adaptarse para detectar alteraciones conductuales asociadas a enfermedades, estrés, bienestar animal o distintos eventos productivos, transformándose en una herramienta versátil para el monitoreo continuo de los peces.
“Uno de los objetivos finales es poder determinar el momento óptimo de transferencia al mar solamente a través del comportamiento y la visión computacional”, afirmó Greve. Si los resultados experimentales confirman las correlaciones esperadas, la iniciativa podría transformarse en una nueva herramienta de acuicultura de precisión para apoyar la toma de decisiones en la salmonicultura chilena.
