Un modelo de IA detecta peces individuales en una instalación comercial de RAS
El modelo se entrena con 11 millones de imágenes y mil millones de máscaras de segmentación, y puede utilizarse con nuevos tipos de imágenes de salmones RAS, sin necesidad de un entrenamiento previo.
Investigadores han probado si un modelo general de IA puede entrenarse para encontrar peces individuales en una instalación RAS, sin necesidad de crear previamente un gran conjunto de datos de entrenamiento personalizado. Al mismo tiempo, detallaron que están publicando lo que consideran el primer conjunto de datos publicado para la segmentación de peces en un entorno RAS comercial a gran escala.
La visión artificial se perfila como una herramienta importante para el monitoreo continuo del bienestar de los peces. Un requisito indispensable es que los sistemas sean capaces de distinguir y rastrear peces individuales en imágenes y videos, incluso cuando muchos nadan muy cerca unos de otros.
En un nuevo estudio, investigadores de varios institutos de investigación nórdicos han investigado si el modelo general de IA Segment Anything Model (SAM) puede utilizarse precisamente para este propósito en una instalación comercial de recirculación acuícola con salmón y trucha arcoíris.
SAM es un modelo fundamental para la segmentación de imágenes. El modelo se entrena con 11 millones de imágenes y mil millones de máscaras de segmentación, y puede utilizarse con nuevos tipos de imágenes sin necesidad de un entrenamiento específico previo.
Los investigadores demuestran que el modelo puede detectar peces incluso en las condiciones de una instalación comercial RAS con alta densidad de peces. Esto es importante porque los experimentos previos con visión artificial en sistemas RAS se han realizado principalmente en pequeños acuarios y tanques de prueba, que, según los investigadores, eran entre 100 y 1.000 veces más pequeños en términos de escala e intensidad de producción.
Compartir conjuntos de datos de instalaciones comerciales
Como parte de este trabajo, los investigadores también publicarán un conjunto de datos verificado manualmente con 88 imágenes y varios miles de máscaras de segmentación y cuadros delimitadores.
En el artículo de investigación, escriben que, hasta donde saben, son los primeros en poner a disposición un conjunto de datos para, por ejemplo, la segmentación de peces de una instalación comercial de recirculación acuícola a gran escala.
La segmentación de instancias significa que el modelo no solo registra que hay peces en la imagen, sino que intenta separar y delimitar cada pez individualmente como un objeto separado.
De acuerdo con los investigadores, este podría ser un primer paso importante hacia el registro automático de indicadores de bienestar como daños en la piel, daños en los ojos, las branquias y las aletas, formas corporales anormales y cambios en el comportamiento de natación.
Mayor precisión con el postprocesamiento
En el experimento, los investigadores compararon la segmentación totalmente automática con un método en el que se le proporcionaron a SAM cuadros delimitadores especificados manualmente como punto de partida. Sin procesamiento adicional, las indicaciones anotadas manualmente dieron los mejores resultados.
Por lo tanto, también desarrollaron un método sencillo de posprocesamiento que filtra las máscaras de segmentación no deseadas.
Los investigadores concluyen que SAM puede utilizarse para la detección de peces en un entorno RAS comercial a gran escala, y creen que el método puede sentar las bases para un mayor desarrollo del monitoreo automatizado de la salud y el bienestar de los peces.
