RT-GalaDet como modelo en tiempo real para detectar anomalías de salud en la superficie de los peces

Por qué a los criadores les importa detectar peces enfermos rápidamente

Las granjas piscícolas suministran hoy una gran parte de los mariscos del mundo, pero las enfermedades pueden propagarse por tanques llenos o jaulas marinas en cuestión de días, matando animales y arruinando ingresos. Los productores suelen recurrir a capturar peces a mano e inspeccionarlos uno por uno, un proceso lento y estresante que puede pasar por alto los signos tempranos de problemas. Este estudio presenta RT‑GalaDet, un sistema de visión por computadora que vigila a los peces mediante cámaras y señala en tiempo real pequeñas anomalías en la superficie —como manchas, llagas y daños en aletas— sin sacar nunca a los peces del agua.

Vigilar a los peces sin tocarlos

Los investigadores se propusieron construir una herramienta que pudiera monitorizar de forma continua la salud visible de los peces de cultivo, como una cámara de seguridad automática para enfermedades. En lugar de redes e inspecciones manuales, las cámaras capturan imágenes submarinas mientras los peces se comportan de forma natural. Un modelo de inteligencia artificial especializado luego analiza cada imagen y dibuja cuadros alrededor de cada pez, identificando tanto la especie como su estado de salud aparente. Este enfoque no invasivo pretende avisar rápidamente a los criadores cuando algo parece anómalo en la piel, las aletas o los ojos de un pez, para que puedan intervenir antes de que un problema local se convierta en un brote en toda la granja.

Enseñar al sistema cómo son “saludable” y “enfermo”

Para entrenar RT‑GalaDet, el equipo usó una colección pública de más de 5.600 imágenes de cuatro especies comunes en acuicultura: pargo rayado (striped beakfish), besugo negro (black sea bream), rockfish coreano (Korean rockfish) y besugo rojo (red sea bream). Cada pez en cada imagen fue delineado y etiquetado no solo por especie, sino también por una de cinco condiciones de superficie: saludable, sangrado, úlcera, lesión ocular o lesión en la aleta. Esto generó 20 categorías precisas, como “besugo negro – úlcera” o “besugo rojo – lesión en la aleta”. Dado que en granjas reales hay muchos más peces sanos que enfermos, los investigadores equilibraron cuidadosamente el conjunto de datos y usaron copiado y pegado de peces enfermos en nuevas escenas, junto con ajustes suaves de contraste y nitidez, para que el modelo aprendiera a reconocer síntomas raros pero importantes incluso cuando son pequeños o están parcialmente ocultos.

Cómo el nuevo modelo detecta pequeños detalles con rapidez

RT‑GalaDet se basa en una familia reciente de detectores rápidos, pero rediseña la estructura interna para manejar mejor los retos de las imágenes subacuáticas. El agua turbia, la iluminación desigual y los fondos recargados pueden ocultar con facilidad las pequeñas manchas y cambios de borde que indican enfermedades tempranas. Los autores combinan dos tipos de “visión” dentro del modelo: una parte analiza de forma amplia toda la imagen para localizar peces en escenas complejas, mientras que otra se concentra en texturas y colores muy locales para sacar a la luz pequeñas lesiones entre los patrones normales de escamas y aletas. Al mismo tiempo, optimizan las capas intermedias de la red para que funcione de manera eficiente, reduciendo la cantidad de cálculo sin sacrificar precisión. Este equilibrio permite al sistema procesar vídeo a más de 50 fotogramas por segundo mientras sigue prestando atención a detalles muy finos.

Qué tal funciona y dónde tiene dificultades

Al compararlo con una variedad de detectores en tiempo real populares, incluidas varias versiones de la familia YOLO ampliamente utilizada, RT‑GalaDet generalmente los igualó o superó en precisión y velocidad. Etiquetó correctamente a los peces y su condición de superficie en la gran mayoría de los casos, logrando alta precisión (pocas falsas alarmas) y alta exhaustividad (pocos peces enfermos no detectados). El modelo se mantuvo razonablemente robusto cuando el equipo simuló entornos más difíciles —luz más tenue y agua más turbia— aunque el rendimiento descendió algo, especialmente para problemas sutiles como daños oculares y pequeñas úlceras. Los autores señalan que sus datos provinieron mayoritariamente de condiciones controladas en tanques y que aguas más profundas o sucias, jaulas más concurridas y especies con morfologías muy distintas plantearán retos adicionales.

Qué significa esto para las granjas piscícolas

Para los criadores y veterinarios acuáticos, RT‑GalaDet no sustituye un diagnóstico completo de enfermedad, que sigue requiriendo juicio experto y a veces pruebas de laboratorio. En cambio, actúa como una herramienta de alerta temprana y recopilación de evidencias: puede vigilar grandes números de peces las 24 horas, destacar individuos que muestran cambios superficiales preocupantes y ofrecer instantáneas visuales claras para un seguimiento. Al detectar problemas antes y reducir la necesidad de inspecciones manuales estresantes, estos sistemas podrían ayudar a las granjas a minimizar pérdidas, mejorar el bienestar animal y gestionar tratamientos con mayor precisión. A medida que las cámaras y el hardware de cálculo abaraten y modelos como RT‑GalaDet se amplíen a más especies, la monitorización automática y en tiempo real de la salud de los peces podría convertirse en una parte rutinaria de la acuicultura moderna.

Cita: Peng, X., Xiao, Z. & Yu, Y. RT-GalaDet as a real-time model for screening surface-associated health abnormalities in fish. Sci Rep 16, 6951 (2026). https://doi.org/10.1038/s41598-026-37288-2

Palabras clave: detección de enfermedades en peces, monitoreo en acuicultura, visión por computadora, detección de objetos en tiempo real, imágenes subacuáticas