La información del calibre y distribución por tallas del pescado en primera venta es un dato de gran importancia tanto a nivel comercial como de gestión de los recursos marinos

La Universitat Politècnica de Catalunya (UPC) colabora con diferentes Cofradías de Pescadores de Cataluña con el objetivo de realizar un proyecto piloto consistente en un sistema computer vision que aprovecha los avances de Deep Learning para calibrar automáticamente los ejemplares de pescado y extraer datos de tamaño y frescura.

Barcos pesqueros

El desarrollo de este está liderado por los profesores Vicenç Parisi, José Antonio Soria y Lluís Ferrer.


Introducción

La preservación de los recursos pesqueros y el mantenimiento y mejora de la actividad económica a su alrededor es fundamental para la sociedad.

Los estudios científicos y gubernamentales sobre el estado de los stocks de pesca coinciden, junto con los datos estadísticos en nuestro país, en la tendencia decreciente de la evolución de las capturas. Y, aunque los precios del pescado han aumentado, los ingresos reales de los pescadores siguen disminuyendo.

Todo ello pronostica la desaparición futura, tanto de los recursos pesqueros, como de la actividad en su entorno si no se actúa adecuadamente.

Para garantizar la continuidad de estos recursos y mejorar la eficiencia de la industria pesquera y la economía de las sociedades costeras, la Unión Europea ha estado introduciendo a lo largo de los últimos años una serie de medidas, planes de gestión, limitaciones de pesca y requerimientos ambientales que necesitan datos reales y detallados sobre capturas para poder analizar correctamente la situación.

Los efectos positivos de tener calibrados los productos pesqueros son muy importantes:

  • Permiten y mejoran las transacciones comerciales entre operadores situados en mercados diferentes.
  • Posibilitan la venta por internet con mayor detalle.
  • Ayudan a implementar los planes de gestión de la actividad pesquera.
  • Reducen la comercialización de pescado por debajo de la talla mínima reglamentaria.


El proyecto de la UPC


La teoría

El principal objetivo de este proyecto es, pues, determinar estos calibres de una manera más eficiente y exacta y diseñar sistemas que permitan calibrar un mayor número de ejemplares.

Los sistemas basados en Deep Learning utilizan modelos de redes neuronales artificiales que emulan el comportamiento de las neuronas, pudiendo aprender patrones complejos.

En este sentido, existe una arquitectura de Deep Learning llamada Convolutional Neural Network (CNN) que ha dad muy buenos resultados en el reconocimiento de objetos en imágenes.

En dicha arquitectura la información de cada imagen se procesa en distintas capas:

  • Las primeras capas aprenden a reconocer rasgos primitivos básicos, como líneas.
  • Las capas intermedias combinan estos rasgos básicos para formar siluetas, esquinas o partes de objetos.
  • Las últimas capas aprenden a ordenar estas partes para formar un objeto o hacer una clasificación.

CNN. Fuente: UPC
Ejemplo de procesamiento de imagen con CNN: Las primeras etapas extraen las características básicas («features») de la imagen y las últimas etapas clasifican el objeto. Fuente: UPC


La práctica

En resumen, lo que pretende la UPC con este proyecto es desarrollar un sistema basado en computer vision, utilizando metodologías Deep Learning para clasificar las especies pesqueras en las lonjas.

Este sistema tiene el objetivo de determinar el calibre (relación tamaño-peso) para alertar de la presencia de ejemplares por debajo de la talla mínima de referencia, así como ayudar a reconocer ejemplares dañados.

En la implementación, una de las mejores formas de extraer el calibre es realizar una segmentación (identificación) de los píxeles que conforman cada especie.

Píxeles CNN. Fuente: UPC
Detección mediante CNN de los píxeles correspondientes a cada ejemplar. Fuente: UPC

A partir de esta segmentación de ejemplares y de la resolución de la imagen (píxeles/mm2) se pueden obtener medidas del área, el perímetro y la longitud de todo el ejemplar (o de las partes visibles si hay oclusiones); así como determinar si existen ejemplares dañados.

Para conseguir esto, es necesario seguir los siguientes pasos:

  1. Segmentar manualmente la base de datos de imágenes para crear un conjunto de entrenamiento, test y validación del sistema.
  2. Entrenar la red neuronal y refinar los parámetros.
  3. Calcular las longitudes de los ejemplares de interés.

Finalmente, cuando el proyecto se lleve a la lonja, se instalará una cámara y un ordenador que informará de la distribución por calibres de las cajas de pescado. Además, se recogerán datos, como el precio de venta, el peso o la temperatura, para realizar un análisis posterior de los resultados obtenidos.


Beneficios del proyecto

  • Fomento de la pesca sostenible: el comprador tendrá más información del producto y su calidad; al mismo tiempo, se elegirán mejor las especies capturadas (evitando, de este modo, pescar ejemplares por debajo de determinado calibre).
  • Eficiencia en el uso de los recursos: las actividades o días de pesca se planificarán mejor a lo largo del año, manteniendo así la relación calidad-precio.
  • Innovación: se aplicarán tecnologías de última generación a un sector con prácticas bastante tradicionales.
  • Competitividad: permitirá una mejor comercialización a distancia por internet y dará un valor añadido a los productos pesqueros.
  • Actividad basada en conocimiento: se recogerán datos muy importantes para realizar análisis y monitorización útiles, tanto en la gestión como en la comercialización de la pesca. Además, se podrá automatizar y escalar la recogida de datos.


La aportación de Azken para la UPC

Para desarrollar este proyecto con éxito es necesario un hardware lo suficientemente potente como para poder entrenar bien las CNN en el menor tiempo posible y para poder detectar los peces en tiempo real.

La UPC escogió a Azken Muga como proveedor de soluciones hardware. Concretamente, la máquina elegida para el desarrollo del proyecto fue una M-Series DX-21.

Ficha M-Series DX-21

Con la siguiente configuración:

  • Chasis enracable Multi GPU 9 slots
  • F.A. 2000W 80+ Platinum Redundante
  • Placa Base Dual Intel® Xeon® Scalable
  • 12x Memoria DDR4 16 GB 2933MHz
  • 2x Procesador Intel Xeon Gold 5220R 2,2GHz 35,75MB Cache 24 Cores
  • SSD Samsung 980 PRO 500GB M.2 NVMe 2280 PCIe 4.0 x4
  • 2x NVIDIA GeForce RTX 3090 24GB GDDR6X PCIe 4.0 TURBO
  • NVIDIA® Ampere NVLink Bridge for A100, A30, A40, RTX A6000 & A5000 2 slot


Fuente: Universitat Politècnica de Catalunya