REVISTA DE INGENIERIA DYNA

Palabras clave:

phenotypic data, deep learning, Pacific white shrimp, key point detection, unconstrained measurement

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

En la industria acuícola, las plántulas acuáticas se conocen comúnmente como «chips». Los datos fenotípicos de las plántulas de camarón, que pueden reflejar su crecimiento, son importantes índices de referencia para la cría. En el cultivo tradicional del camarón, los puntos clave del cuerpo del camarón se determinan principalmente por medios artificiales, y los parámetros se miden manualmente para obtener datos fenotípicos relacionados con la cría. Sin embargo, este método manual no sólo requiere mucho tiempo y trabajo, sino que también puede dar lugar a errores humanos. Además, las gambas son muy sensibles a la manipulación, lo que puede causarles daños físicos, propagar enfermedades y contaminar el agua durante las mediciones manuales. Para mejorar la velocidad y la precisión de la recopilación de datos fenotípicos de camarones, este estudio propuso un enfoque novedoso: una red basada en el aprendizaje profundo para la detección automática de puntos clave de camarones. El método propuesto minimizó el contacto físico, evitó posibles daños y permitió la recopilación de datos fenotípicos más completos. Con el camarón blanco del Pacífico como objeto de estudio, se aplicó el aprendizaje profundo para detectar los puntos clave del cuerpo del camarón. La red de detección de puntos clave pudo detectar 23 puntos clave de la vista superior y 10 puntos clave de la vista lateral, lo que podría proporcionar datos de apoyo para mediciones posteriores de parámetros fenotípicos y para modelar el crecimiento del cuerpo del camarón. Los resultados muestran que, en comparación con los métodos tradicionales, el enfoque propuesto tiene un rendimiento avanzado, velocidad y robustez en términos de precisión y eficiencia. La precisión de los puntos clave de la vista superior alcanza el 97,57%, con un tiempo medio de prueba de 137,3 ms, y la verificación de la vista lateral establece una precisión de detección de puntos clave del 98,61%, con un tiempo medio de prueba de 49,3 ms. exhaustiva, que incluye evaluaciones de las propiedades mecánicas y evaluaciones basadas en simulaciones, se demuestra la viabilidad de integrar el material en aplicaciones industriales, ejemplificadas por una gaveta de plástico apilable. Los resultados ponen de relieve la viabilidad de utilizar el material compuesto para desarrollar productos industriales sostenibles.