Abstract:
This project develops a computer vision module integrated into a mobile application for the automatic counting of shrimp (Litopenaeus vannamei), which is the first step in implementing biomass estimation in ponds. The proposal responds to the need to optimize sampling and monitoring processes in aquaculture, reducing stress on organisms and improving accuracy compared to traditional manual methods.
The methodology included the capture and curation of a specialized dataset, the training of a model based on the U-Net architecture for shrimp detection, and the implementation of post- processing techniques to separate individuals and count them. The pipeline, which includes image capture and analysis by U-Net, was integrated into the existing mobile application, incorporating assisted capture, reporting, and data history management functionalities.
The results show that the system can perform automatic counts with an average error of 3.35 individuals in low-complexity images, although limitations persist in high-density or overlapping scenarios. Even so, the technical feasibility of field integration and the potential for improvement through the use of larger datasets and advanced segmentation and counting models were verified.
Keywords: Smart aquaculture, Automatic counting, Biomass estimation, Litopenaeus vannamei dataset.
Description:
El presente proyecto desarrolla un módulo de visión computacional integrado en una aplicación móvil para el conteo automático de camarones (Litopenaeus vannamei) la cual es el primer paso para implementar la estimación de biomasa de piscinas. La propuesta responde a la necesidad de optimizar procesos de muestreo y monitoreo en la acuicultura, reduciendo el estrés en los organismos y mejorando la precisión frente a métodos manuales tradicionales.
La metodología abarcó la captura y curación de un dataset especializado, el entrenamiento de un modelo basado en la arquitectura U-Net para la detección de camarones, y la implementación de técnicas de postprocesamiento para separar individuos y contabilizarlos. Se integró el pipeline que incluye la captura de las imágenes hasta su análisis por parte de la U-Net dentro de la aplicación móvil existente, incorporando funcionalidades de captura asistida, reportería y gestión de historial de datos.
Los resultados muestran que el sistema puede realizar conteos automáticos con un error medio de 3.35 individuos en imágenes con baja complejidad, aunque persisten limitaciones en escenarios de alta densidad o solapamiento. Aun así, se comprobó la factibilidad técnica de la integración en campo y el potencial de mejora mediante el uso de datasets más amplios y modelos avanzados de segmentación y conteo