Automated morphometry and weight prediction of juvenile Chinook Salmon leveraging open-source deep learning models

Este estudo apresenta o programa HandsFreeFishing, que utiliza o modelo de segmentação de imagem Metas Segment Anything (SAM) para automatizar a medição morfométrica e prever o peso de salmões-king juvenis com alta precisão, minimizando o manuseio físico desses peixes ameaçados.

O essencial

Título: O "Escritor de Pesos" Digital: Como a IA Pesa Peixes sem Tocá-los

Imagine que você precisa pesar um peixinho muito pequeno e frágil, como um salmão jovem. No método tradicional, você teria que pegá-lo com a mão, colocá-lo em uma balança, anotar o peso e devolvê-lo à água. O problema? Isso estressa o peixe, pode machucá-lo e, se você fizer isso com muitos peixes, pode até matá-los. É como tentar pesar um passarinho segurando-o no ar: difícil e perigoso.

Os autores deste artigo, Brian e Carson, criaram uma solução mágica chamada HandsFreeFishing (Pescaria de Mãos Livres). Eles desenvolveram um sistema que usa "olhos de computador" e inteligência artificial para pesar os peixes sem nunca tocá-los.

Aqui está como funciona, passo a passo, usando analogias simples:

1. A Câmera e a "Caixa Mágica"

Primeiro, eles colocam o peixe em um tanque especial com uma grade de fundo (como um papel quadriculado) e tiram uma foto. O peixe fica dentro da água o tempo todo.

• O que o humano faz: Você olha para a foto na tela e desenha um retângulo ao redor do peixe (como se estivesse selecionando um arquivo no computador) e diz para o computador: "Olhe, o peixe está virado para a esquerda".
• O que a IA faz: A partir desse pequeno comando, a IA entra em ação.

2. O "Cortador de Silhueta" (Segmentation)

Aqui entra a estrela do show: um modelo de inteligência artificial chamado SAM (Segment Anything Model), criado pelo Meta (a empresa do Facebook).

• A Analogia: Imagine que você tem uma foto de um peixe em um fundo bagunçado. O SAM age como um tesoura mágica e superprecisa. Ele corta exatamente a silhueta do peixe, separando-o do fundo, das luzes e até das barbatanas.
• O Truque: As barbatanas dos peixes podem ficar para cima, para baixo ou dobradas, o que confunde a medição. A IA é inteligente o suficiente para "cortar" as barbatanas e deixá-las de lado, focando apenas no corpo principal do peixe, como se ela estivesse imaginando o peixe com as barbatanas dobradas para dentro.

3. A Matemática do "Pão de Forma"

Agora que a IA tem a silhueta perfeita do peixe, ela precisa descobrir o peso. Como? Ela usa a geometria!

• A Analogia: Imagine que o peixe é um pão de forma ou um balão de ar. Se você sabe o tamanho da "fatia" (a área do lado do peixe) e sabe que o peixe tem uma certa "gordura" ou profundidade (como a altura do pão), você pode calcular o volume total.
• A Lógica: A IA mede o comprimento e a altura do peixe na foto. Ela assume que o peixe tem um formato ovalado (como um ovo esticado). Com base nessa forma, ela calcula o volume. E, como sabemos que volume está diretamente ligado ao peso (um peixe maior e mais gordo pesa mais), a IA faz uma estimativa muito precisa do peso.

4. O Resultado: Precisão de Cirurgião

Os pesquisadores testaram isso com 149 peixes. O resultado foi impressionante:

• A IA acertou o peso com uma margem de erro média de apenas 0,16 gramas.
• Para peixes que pesam entre 0,3g e 7,7g, isso é como pesar uma moeda e errar apenas um grão de areia!
• A precisão foi de 99% (um índice de confiança altíssimo).

Por que isso é um superpoder?

1. Sem Estresse: O peixe nunca sai da água. Ele não fica com medo, não perde escamas e não sofre. É como tirar uma selfie para o peixe, em vez de fazer um exame de sangue.
2. Velocidade: Antes, um humano precisava medir cada ponto do peixe manualmente, o que levava tempo e podia ter erros. Agora, o computador faz tudo em segundos.
3. Futuro: Esse sistema é "código aberto", o que significa que qualquer pessoa pode baixar, usar e adaptar para outros animais. Se você quiser pesar rãs, tartarugas ou até outros peixes, basta ensinar a IA a reconhecer a nova silhueta.

Em resumo:
Este artigo nos mostra como a tecnologia pode nos ajudar a cuidar melhor da natureza. Em vez de pegar os peixes para saber como eles estão, nós usamos uma câmera e um "cérebro digital" para vê-los, medi-los e pesá-los de longe. É uma vitória para a ciência e uma vitória para a vida dos peixes.

Resumo técnico

Título: Morfometria Automatizada e Predição de Peso de Salmões Chinook Juvenis utilizando Modelos de Deep Learning de Código Aberto

1. Problema

As populações de Salmão Chinook (Oncorhynchus tshawytscha) na costa da Califórnia estão em declínio devido a fatores como sobrepesca e perda de habitat. O monitoramento dessas populações é crucial para a conservação, mas os métodos tradicionais de medição morfométrica (comprimento e peso) exigem a manipulação física dos peixes, retirando-os da água.

• Desafios: A manipulação manual é estressante para peixes ameaçados, pode causar danos físicos, é demorada e propensa a erros humanos.
• Gargalo: Processos anteriores de digitalização de pontos morfométricos exigiam intervenção manual intensiva, limitando a escala e a reprodutibilidade dos dados.
• Necessidade: Desenvolver um método não invasivo, rápido e automatizado para coletar dados de saúde do peixe (como o Fator de Condição de Fulton) mantendo o animal submerso.

2. Metodologia

Os autores desenvolveram o programa HandsFreeFishing, uma plataforma baseada em aprendizado profundo para processamento de imagens de peixes.

• Aquisição de Dados:
  • Imagens de peixes juvenis (27-90 mm de comprimento forquilha) foram capturadas dentro de um "viewer" (tanque de visualização) com uma grade de calibração de 5x5 mm no fundo.
  • As imagens foram tiradas de perfil lateral, mantendo o peixe na água.
• Pré-processamento e Interatividade Mínima:
  • O usuário fornece apenas uma caixa delimitadora (bounding box) ao redor do peixe e dados de orientação (esquerda/direita, de cabeça para baixo/certo).
• Segmentação Automática (Deep Learning):
  • Utiliza o modelo Segment Anything Model (SAM) da Meta, de código aberto, para gerar máscaras de segmentação a partir da caixa delimitadora.
  • Processamento de Contorno: Aplica análise de Fourier elíptica para suavizar o contorno do peixe.
  • Remoção de Aletas: Como as aletas podem mudar de posição (afetando a área superficial e a densidade), o algoritmo segmenta e remove automaticamente as aletas (caudal, adiposa, dorsal, peitorais, pélvicas e anal), criando uma segmentação "sem aletas" para cálculo preciso do volume do corpo.
  • Segmentação de Olho: O olho também é segmentado para medir o diâmetro.
• Extração de Características (Features):
  • Cálculo do Comprimento Forquilha (bico à cauda).
  • Cálculo da Área Superficial do perfil lateral.
  • Medição de eixos principais de uma elipse de melhor ajuste (semi-eixos a e b).
  • Cálculo de distâncias entre pontos de referência (landmarks) automatizados.
• Predição de Peso:
  • Assumindo que o corpo do peixe é um elipsoide 3D, o volume é estimado a partir da área superficial (SA) e da altura (b).
  • Foram treinados vários modelos de regressão linear e múltipla (MLR) usando Python (Scikit-Learn) para correlacionar as características extraídas com o peso real (medido em balança digital).
  • O modelo principal (Modelo 1) assume que o volume é proporcional a $SA \times b$ (onde $b$ é a altura vertical).

3. Principais Contribuições

1. Programa HandsFreeFishing: Uma ferramenta de código aberto que automatiza quase todo o pipeline de processamento de dados morfométricos, reduzindo a intervenção humana a um mínimo (caixa delimitadora e orientação).
2. Integração com SAM: Demonstração eficaz do uso do modelo Segment Anything (SAM) para segmentação de peixes em imagens 2D sem necessidade de treinamento específico do modelo para a espécie (aprendizado zero-shot ou few-shot).
3. Método Não Invasivo: Permite a coleta de dados de peso e condição de peixes ameaçados sem retirá-los da água, minimizando o estresse e o risco de mortalidade.
4. Algoritmo de Remoção de Aletas: Uma abordagem heurística para isolar o corpo do peixe das aletas, melhorando a precisão na estimativa de volume e peso, já que a densidade das aletas difere do corpo.
5. Reprodutibilidade: O software e os dados são públicos, permitindo que outros pesquisadores adaptem o método para outras espécies.

4. Resultados

O estudo foi validado em um conjunto de dados de 149 imagens (pesos reais entre 0,31g e 7,74g). Um subconjunto "limpo" de 109 imagens foi usado para otimização.

• Desempenho do Modelo Principal (Modelo 1 - $V_1 = SA \times b$):
  • Coeficiente de Determinação ($R^2$): 0,99 (indicando correlação quase perfeita).
  • Erro Absoluto Médio (MAE): 0,16 g.
  • Erro Porcentual Absoluto Médio (MAPE): 12%.
  • Critério de Informação de Akaike (AIC): -19,98.
• Comparação de Modelos:
  • O Modelo 1 superou modelos baseados apenas em comprimento ou em landmarks geométricos complexos (Modelos 6 e 7), que tiveram desempenho inferior ($R^2$ de 0,84 a 0,98).
  • Mesmo com o conjunto de dados completo (incluindo imagens com segmentações imperfeitas), o modelo manteve alta precisão ($R^2$ de 0,98).
• Validação: Os resultados confirmam que a estimativa de volume baseada na área superficial 2D e na altura é uma proxy robusta para o peso do peixe.

5. Significância

• Conservação e Gestão: Oferece uma ferramenta prática para monitorar a saúde de populações de peixes ameaçados em tempo real, permitindo a coleta de dados de grandes volumes sem comprometer o bem-estar animal.
• Eficiência Operacional: Remove o gargalo de processamento manual de dados, acelerando a pesquisa em ecologia de pesca.
• Acesso e Democratização: Ao utilizar modelos de código aberto (SAM, Python) e hardware de baixo custo (câmeras digitais e viewers caseiros), o método torna a morfometria de alta precisão acessível para agências de gestão e pesquisadores com orçamentos limitados.
• Futuro: O sistema é adaptável para outras espécies e estágios de vida, e pode ser expandido para prever outros parâmetros, como o Fator de Condição de Fulton, diretamente a partir de uma única foto subaquática.