Palmer, M., Álvarez-Ellacuría, A., Moltó, V., & Catalán, I. A. (2022). Automatic, operational, high-resolution monitoring of fish length and catch numbers from landings using deep learning. Fisheries Research, 246, 106166.
Las decisiones informadas de gestión pesquera requieren datos de entrada primarios, como las fluctuaciones en la cantidad de peces desembarcados y la longitud de los peces. La obtención de estos datos puede ser costosa si se realiza a mano, como es el caso de los datos de talla en la mayoría de las pesquerías. Este costo a menudo implica tamaños de muestra reducidos, lo que puede introducir sesgos y provocar la pérdida de información, por ejemplo, a nivel del barco. El reciente impulso de la inteligencia artificial aplicada a la pesca proporciona una forma prometedora de mejorar la evaluación y gestión de las poblaciones. Presentamos un sistema operativo que utiliza una red convolucional profunda (Mask R-CNN) junto con un modelo estadístico que estima automáticamente el número y la longitud media de la bifurcación de la lampuga (Coryphaena hippurus) capturada en una pesquería del Mediterráneo con una resolución de cada caja de pescado desembarcada de cada barco. El sistema opera sobre imágenes de cajas de pescado recolectadas automáticamente en la lonja centralizada de pescado. El modelo estadístico corrige los sesgos debido a los peces no detectados utilizando la red convolucional y estima la longitud media de la horquilla del pez en una caja a partir del número de peces y el peso de la caja, lo que permite un seguimiento de alta resolución de la dinámica pesquera durante toda la temporada de pesca. Las predicciones del sistema se validaron empíricamente y mostraron una buena exactitud y precisión. Nuestro sistema podría incorporarse fácilmente en los esquemas de evaluación. Discutimos cómo este tipo de sistema de monitoreo abre nuevas oportunidades para mejorar la gestión pesquera.
Acceso completo al artículo a través de este enlace.
Automatic, operational, high-resolution monitoring of fish length and catch numbers from landings using deep learning
Informed fishery management decisions require primary input data such as the fluctuations in the number of fish landed and fish length. Obtaining these data can be costly if conducted by hand, which is the case for length data in most fisheries. This cost often implies reduced sample sizes, which may introduce biases and lead to information loss at, for example, the boat level. The recent boost in artificial intelligence applied to fisheries provides a promising way to improve the assessment and management of stocks. We present an operational system using a deep convolutional network (Mask R-CNN) coupled with a statistical model that automatically estimates the number and the mean fork length of dolphinfish (Coryphaena hippurus) caught in a Mediterranean fishery with a resolution of each landed fish box from each boat. The system operates on images of fish boxes collected automatically at the centralized fish auction. The statistical model corrects for biases due to undetected fish using the convolutional network and estimates the mean fork length of the fish in a box from the number of fish and the box weight, allowing for high-resolution monitoring of fishery dynamics during the entire fishing season. The system predictions were empirically validated and showed good accuracy and precision. Our system could be readily incorporated into assessment schemes. We discuss how this type of monitoring system opens new opportunities for improving fishery management.
Full access to the article through this link.
