Una arquitectura ligera de aprendizaje profundo para la clasificación automática de enfermedades del camarón

Por qué la salud del camarón importa a todos

Los camarones están entre los mariscos más populares del mundo y constituyen una fuente importante de ingresos para las comunidades costeras. Sin embargo, las granjas de camarones están constantemente amenazadas por enfermedades de rápida propagación que pueden arrasar estanques enteros en días. Las pruebas de laboratorio actuales son lentas y costosas, mientras que las inspecciones visuales de los granjeros pueden pasar por alto señales de aviso temprano. Este estudio presenta una nueva herramienta informática, llamada FeatherNetX, que puede escanear fotos de camarones y decir rápidamente si están sanos o enfermos, incluso en ordenadores de granja de bajo coste y sin conexión a internet.

Una nueva forma de detectar camarones enfermos

Los investigadores se propusieron construir un “ojo” automático para los granjeros que fuera a la vez preciso y práctico en el campo. Se centraron en cuatro categorías especialmente relevantes en granjas de camarón asiáticas: camarones sanos, enfermedad de las branquias negras (Black Gill), síndrome de la mancha blanca (White Spot Syndrome Virus) y virus de la cabeza amarilla (Yellow Head Virus). En lugar de depender de costosos equipos de laboratorio, el sistema usa fotografías a color normales tomadas con teléfonos inteligentes en galpones de cría. Estas imágenes son analizadas por un modelo compacto de aprendizaje profundo diseñado específicamente para reconocer los patrones y texturas sutiles asociados a cada enfermedad. Al convertir una fotografía simple en un diagnóstico en menos de un segundo, el enfoque pretende hacer la detección temprana tan fácil como revisar un mensaje en un ordenador.

Cómo se entrenó el modelo inteligente

Para enseñarle a FeatherNetX el lenguaje visual de las enfermedades del camarón, el equipo recopiló dos colecciones de imágenes abiertas procedentes de granjas de camarón de varias regiones de Bangladesh. En conjunto, estos conjuntos de datos abarcaron miles de camarones con distintos fondos, condiciones de iluminación y estados de enfermedad. Las imágenes se dividieron cuidadosamente en grupos de entrenamiento, validación y prueba para que el modelo fuera evaluado con fotos que nunca había visto. Durante el entrenamiento, las imágenes se voltearon, rotaron, desenfocaron ligeramente o se desplazaron en color de forma aleatoria para imitar la realidad desordenada de la fotografía en granja. Esto ayudó al modelo a aprender a centrarse en señales reales de enfermedad—como branquias oscurecidas o manchas blancas en el cuerpo—en lugar de en detalles incidentales como el ángulo de la cámara o pequeños cambios de iluminación.

Un modelo pequeño con una gran tarea

La mayoría de los sistemas potentes de reconocimiento de imágenes son demasiado grandes y exigentes en consumo energético para ejecutarse en ordenadores de granja ordinarios. Por ello, FeatherNetX fue diseñado para ser extremadamente ligero sin dejar de capturar detalles ricos. La red se construye a partir de bloques pequeños repetidos que reutilizan y comparten información de forma eficiente, reduciendo el número de cálculos y valores almacenados. Mecanismos de atención ayudan al modelo a enfatizar las señales de color y textura más informativas en cada imagen. Como resultado, FeatherNetX contiene menos de un millón de parámetros ajustables y ocupa solo unos pocos megabytes de memoria—lo bastante pequeño para hardware de bajo coste—y aun así alcanza una precisión media de alrededor del 93% cuando se prueba en múltiples particiones de imágenes.

Ver dónde mira el modelo

Una preocupación común con la inteligencia artificial en biología es si sus decisiones tienen sentido para expertos humanos. Para abordar esto, los investigadores emplearon una técnica que crea mapas de calor que muestran qué partes de la imagen de un camarón influyeron más en el juicio del modelo. En muchos casos, estas regiones destacadas coincidían bien con las áreas que un veterinario inspeccionaría, como branquias dañadas en la enfermedad de branquias negras o zonas parcheadas del caparazón en infecciones por White Spot. Para dos de las enfermedades, el equipo incluso midió cuán cerca estaba el punto más brillante del mapa de calor respecto a las regiones señaladas por expertos, encontrando que la atención del modelo con frecuencia caía a solo unos pocos píxeles de las áreas marcadas como enfermas. Esto aporta confianza en que la red está aprendiendo señales biológicas significativas en lugar de aferrarse a patrones de fondo irrelevantes.

Del código de investigación a una herramienta lista para la granja

Para hacer la tecnología útil más allá del laboratorio, el equipo integró FeatherNetX en un programa de escritorio sencillo llamado “Clasificador de Enfermedades del Camarón”. Los granjeros o técnicos pueden cargar fotos individuales o carpetas completas de imágenes, ver cada camarón y recibir una etiqueta automática—sano o una de las tres enfermedades principales—junto con una puntuación de confianza. En un ordenador estándar, cada imagen se procesa en menos de una quinta parte de segundo, y las fotos se ordenan automáticamente en carpetas para facilitar el mantenimiento de registros. Las pruebas con fotos nuevas y no vistas previamente mostraron una precisión de alrededor del 94%, lo que demuestra que el sistema se mantiene fiable fuera del entorno de entrenamiento.

Qué significa esto para la cría de camarones

Este trabajo demuestra que un modelo de IA compacto y cuidadosamente diseñado puede ofrecer detección de enfermedades del camarón cercana al nivel de laboratorio usando nada más que fotografías ordinarias y un ordenador de sobremesa sin conexión. FeatherNetX no reemplaza las pruebas tradicionales de laboratorio, pero puede actuar como un sistema de alerta temprana rápido, ayudando a los granjeros a identificar estanques problemáticos antes de que las pérdidas se vuelvan catastróficas. Aunque persisten desafíos—como adaptarse a nuevas granjas, cámaras y signos de enfermedad más sutiles—el estudio ofrece un plan práctico para llevar el diagnóstico avanzado basado en imágenes directamente a los estanques de acuicultura, apoyando una producción de mariscos más segura y sostenible.

Cita: Sharma, S., Rumahorbo, P.S., Kondo, S. et al. A lightweight deep learning architecture for automatic shrimp disease classification. Sci Rep 16, 13837 (2026). https://doi.org/10.1038/s41598-026-44195-z

Palabras clave: enfermedad del camarón, acuicultura, aprendizaje profundo, visión por computador, diagnóstico en granja