VALÈNCIA (EP). El grupo de investigación AI4Oceans de la Universitat de València (UV) desarrolla marcos híbridos de inteligencia artificial para identificar la captura incidental de especies marinas vulnerables. Esta investigación proporciona un sistema flexible y escalable que permite adaptar el flujo de trabajo según las necesidades específicas de velocidad, precisión y tipo de datos.
Dos estudios liderados por la investigadora de la UV Verónica Nieves adaptan y combinan distintos métodos basados en IA para identificar de forma automatizada las especies capturadas incidentalmente, a partir de imágenes tomadas a bordo de buques pesqueros. Además, el equipo de investigación propone diversos marcos híbridos específicamente ajustados a estos datos, especies y condiciones de monitorización.
La captura incidental de especies marinas, también conocida como 'bycatch', representa una amenaza para la conservación de la biodiversidad marina. Supone aproximadamente el 40% de las capturas pesqueras a nivel mundial y afecta especialmente a megafauna marina, incluidas tortugas, mamíferos marinos y tiburones, detalla la institución académica.
La investigación, desarrollada en el Image Processing Laboratory (IPL) y el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE) de la UV en el marco del proyecto Reduce de la Unión Europea (programa Horizon), demuestra cómo la integración de enfoques complementarios y el ajuste específico para cada conjunto de datos pueden ofrecer soluciones optimizadas. Esta sinergia es fundamental para mantener la precisión a nivel de especie cuando se parte de imágenes de baja calidad.
"La IA puede ayudar a transformar imágenes complejas en información fiable sobre biodiversidad. Al combinar distintos modelos que ofrecen un equilibrio entre velocidad y precisión, nos acercamos a herramientas de monitoreo prácticas capaces de mejorar las estimaciones de captura incidental. Estos avances contribuyen a mejorar la protección de las especies marinas vulnerables", expone Verónica Nieves, fundadora y líder de AI4Oceans, grupo de investigación en IA para los océanos con sede en la UV.
Entre las combinaciones de modelos exploradas destacan los marcos que combinan reconocimiento de objetos en las imágenes con otros que localizan e identifican las especies que aparecen en ellas; por ejemplo, la integración de redes neuronales convolucionales con Random Forest, así como el uso de arquitecturas como Faster R-CNN y YOLO. Otros equipos del proyecto también están realizando experimentos con diferentes variantes de YOLO y extractores alternativos de características, como los Vision Transformers (ViT).
Los esfuerzos colaborativos buscan lograr una integración flexible de diversos métodos, que pueden implementarse como sistemas de una sola etapa (rápidos y directos) o de dos etapas (más lentos, pero más precisos), en función de los desafíos que presenten las imágenes y del equilibrio requerido entre velocidad y precisión.
Ayudar a mejores decisiones de conservación
"Estas innovaciones proporcionan un marco inédito y práctico para mejorar el monitoreo de la captura incidental de megafauna marina, generar información más fiable a nivel de especie y respaldar decisiones de conservación mejor fundamentadas", asegura la investigadora.
En definitiva, la iniciativa pretende ofrecer a los usuarios un sistema unificado, flexible y escalable, capaz de gestionar imágenes complejas dentro de un flujo de trabajo coherente. "Estos modelos pueden perfeccionarse a medida que se disponga de más imágenes, y adaptarse a otros conjuntos de datos, especies y contextos de monitoreo", añade Jordi Fornés, técnico de investigación que ha contribuido al análisis experimental.
Para estos estudios, la captación de imágenes a bordo fue realizada por las tripulaciones de los buques, mientras que la empresa DataFish, el equipo de AI4Oceans y colaboradores del proyecto se encargaron de la recopilación de datos y el apoyo en la anotación.
