|
Cámara Sexton utilizada para grabar videos dentro de redes de arrastre para abadejo de Alaska. Crédito: NOAA Fisheries.
La Inteligencia Artificial Acelera el Análisis de Datos para Reducir la Captura Incidental de Salmón en la Pesquería de Abadejo
ESTADOS UNIDOS
Thursday, October 09, 2025, 00:10 (GMT + 9)
Científicos del Alaska Fisheries Science Center utilizan un modelo de aprendizaje profundo (YOLOv11) para detectar abadejo y salmón en videos de redes de pesca, mejorando la eficiencia y sostenibilidad de la pesquería.
JUNEAU, ALASKA – En un avance significativo para la gestión pesquera sostenible, científicos del Alaska Fisheries Science Center de la NOAA Fisheries han desarrollado un método para analizar datos de video a una velocidad sin precedentes, gracias a la Inteligencia Artificial (IA). Este logro es crucial para evaluar la eficacia de los dispositivos de exclusión diseñados para reducir la captura incidental de salmón en la lucrativa pesquería de abadejo.
El equipo de investigación empleó una forma avanzada de IA conocida como aprendizaje profundo, utilizando el modelo de detección de objetos You Only Look Once, versión 11 (YOLOv11). Este modelo, diseñado para la detección y clasificación de objetos en imágenes, fue personalizado para identificar específicamente el abadejo y el salmón en los videos tomados dentro de las redes de pesca.
Example image of the salmon excluder that is placed in the last taper section of the net with the camera placement (white box) and the approximate field of view (dashed triangle) shown. The diameter of the net is approximately 2 m at the beginning of the excluder. Credit: NOAA Fisheries.
YOLOv11: Un Salto en la Eficiencia
La capacidad de YOLOv11 permite a los científicos semi-automatizar el proceso de revisión de videos, que antes dependía enteramente del esfuerzo humano. Esto no solo acelera la evaluación de la eficacia de los dispositivos reductores de captura incidental (conocidos como excluidores de salmón), sino que también facilita la observación del comportamiento de los peces para mejorar el rendimiento de estos dispositivos.
 Katherine Wilson, científica física y líder del estudio en el Alaska Fisheries Science Center de la NOAA Fisheries, destacó la eficiencia del nuevo sistema:
"Pudimos entrenar un modelo de detección de objetos de aprendizaje profundo de acceso público para identificar salmón y abadejo. El modelo se comparó bien con el rendimiento humano, con cierta variabilidad. Y los modelos nos ahorran muchísimo tiempo. Pueden procesar lances de pesca en cuestión de horas; los humanos necesitarían días o semanas para revisar los mismos datos".
La Necesidad de la IA Ante el Desafío de la Captura Incidental
La pesquería de abadejo ha enfrentado desafíos significativos en el pasado, con niveles récord de captura incidental de salmón Chinook en 2005 y salmón Chum en 2006. Desde entonces, la industria pesquera comercial, en colaboración con científicos e ingenieros, ha invertido en:
Examples of fish detections from three frames for a model trained to detect both pollock and salmon (top, multi-class model) and a model trained to only detect salmon (bottom, salmon only model). Salmon (white) and pollock (grey) detections are shown with the confidence score of the detection as a percentage at the top of the boxes. False positive salmon detections are present for herring in (B, bottom-left), (C), and (F) and salmon is missed in (D) and (E). Credit: NOAA Fisheries.
Estas herramientas buscan evitar la captura de salmón desde un principio. Los dispositivos de exclusión de salmón son una parte clave de esta estrategia, permitiendo que el salmón escape de la red mientras el abadejo permanece dentro. Para monitorear su efectividad, se posicionan cámaras con iluminación en el punto de entrada de estos dispositivos, grabando videos que luego son revisados por los científicos.
El aumento en la recolección de videos, gracias a la disponibilidad de sistemas de cámaras de bajo costo y alta calidad, ha generado una enorme cantidad de datos. Aquí es donde el aprendizaje automático se vuelve indispensable, liberando a los científicos de la tediosa tarea de revisar horas y horas de material.
Colaboración y Perspectivas Futuras
El estudio fue un esfuerzo colaborativo con la Pacific States Marine Fisheries Commission, y los datos fueron recolectados por una embarcación contratada de B&N Fisheries.
Wilson añadió: “Hay mejoras por hacer, pero este trabajo es prometedor. Fue un desafío para las personas familiarizadas con la identificación de salmón revisar tantas horas de video e identificar cada salmón. El monitoreo automatizado de video a largo plazo será más rentable y reducirá el error humano”.
El modelo YOLOv11 entrenado detectó el 97% de los peces con una precisión de predicción del 82%. Aunque su rendimiento varió en diferentes condiciones (como la presencia de krill, la densidad de peces o la baja iluminación), la capacidad de identificar múltiples especies, como el arenque, podría minimizar los errores de clasificación.
Fishing net towing behind a vessel. Credit: NOAA Fisheries
Los científicos planean seguir trabajando para optimizar estos modelos, especialmente probándolos en videos con mayor presencia de salmón Chinook, incluyendo los ejemplares más pequeños, y explorando la capacidad de distinguir entre salmón Chum y Chinook.
Wilson concluyó que la automatización del análisis de video tiene el potencial de "ahorrar tiempo y dinero", proporcionando a la industria pesquera herramientas adicionales para reducir la captura incidental y avanzar hacia una mayor sostenibilidad. "Nuestro trabajo de detección de salmón y abadejo demostró que los métodos de aprendizaje profundo son accesibles y robustos", afirmó.
editorial@seafood.media
www.seafood.media
|
Imprimir
