Saltar al contenido principal

Reconocimiento de Comportamiento de Cangrejo de Río en Acuicultura: Canalización de 4 Etapas y Benchmarks en el Borde

Usage Notice

Este es un sistema asistivo de monitorización y alerta temprana para acuicultura, no un dispositivo sellado de corte de seguridad para automatización industrial. Se recomienda la integración con sensores de oxígeno disuelto y sistemas de alimentación automatizada.

Qué hace esta solución​

Arquitectura y Topología del Sistema​

Arquitectura de Reconocimiento de Comportamiento de Cangrejo de Río en Acuicultura

Se requieren dos elementos: la cámara edge AI que monitoriza el tanque y el panel que recibe los eventos. Todo se ejecuta localmente en la cámara mediante protocolos IoT estándar, sin servidores GPU centralizados.

En sistemas de acuicultura de recirculación de alta densidad (RAS) o tanques de cría, los cangrejos de río de agua dulce australianos (Cherax quadricarinatus) sufren con frecuencia pérdida de extremidades o canibalismo fatal durante los periodos de muda debido a ataques agresivos. Una cámara inteligente edge AI montada sobre el tanque sigue a cada cangrejo de río en tiempo real. Cuando dos individuos se aproximan y entablan combate, la cámara confirma la agresión dentro de una ventana temporal de 8 fotogramas y publica una alerta MQTT en el panel de la granja, lo que desencadena la alimentación automatizada o la intervención del personal para proteger a los individuos de caparazón blando.

  • Canalización en Embudo de 4 Etapas

    Detección → Disparador por Proximidad → Filtro de Fotograma Único → Mosaico Temporal de 8 Fotogramas, podando >90% de los cálculos redundantes para preservar margen de cómputo en el borde.

  • Resolución de Solapamiento 2D

    Los recortes de interacción de 8 fotogramas se sintetizan en un mosaico espaciotemporal, eliminando disparos de contacto falsos causados por solapamientos de profundidad vertical en vistas cenitales.

  • Votación de Sexo Multi‑Fotograma

    La morfología de las pinzas se muestrea a lo largo de los primeros 10 fotogramas de la trayectoria con votación multi‑fotograma, logrando un 82,0% de precisión Top‑1 para automatizar auditorías de proporción de sexos en el tanque.

  • Standalone en el Borde e IP67

    Ejecución en la NPU/TPU de la cámara con soporte PoE de un solo cable; preserva la grabación local y el almacenamiento en búfer de eventos incluso cuando se cae la red externa.

Demostración en Vivo del Dispositivo​

Telemetría de vídeo cenital: cada cangrejo de río en el fotograma recibe un ID de ByteTrack y una etiqueta de clasificación de sexo (por ejemplo, #3 male 91%). Cuando los individuos #2 y #5 inician un enfrentamiento agresivo, la zona de contacto se resalta en rojo intermitente con una superposición FIGHT (temporal confirmed).

Demostración de reconocimiento de peleas en tanque de acuicultura: seguimiento multiobjetivo, clasificación de sexo y alerta de zona de combate

Dimensionamiento de Hardware​

Solo se monta una cámara inteligente IP67 todo en uno sobre los tanques y se conecta a la LAN de acuicultura:

Modelo de HardwareEspecificaciones y CómputoCuándo Elegir
reCamera ProreCamera Pro (2GB)
Sensor 4K + NPU de 3 TOPS		Rockchip RV1126B · NPU de 3 TOPS
2GB RAM · Linux 5.10		Nivel Recomendado. Tanques RAS amplios y piscinas de cría que requieren el embudo completo de 4 etapas y clasificación con mosaico temporal
reCamera 2002reCamera 2002 (8GB)
Sensor 1/2.8" + TPU de 1 TOPS		SOPHGO SG2002 · TPU de 1 TOPS
512MB RAM · C++ Nativo		Nivel Optimizado en Coste. Despliegues densos en tanques pequeños centrados en detección y triaje inicial por proximidad

Despliegue y Configuración​

1. Montaje y Posicionamiento Óptico​

  • Altura y Ángulo de Montaje: Montar 0,8 ~ 1,5 m directamente sobre el tanque con un ángulo cenital vertical (80°~90°);
  • Profundidad y Claridad del Agua: Adecuado para profundidades de 20~80 cm con visibilidad ≥ 25 cm; evitar colocar aireadores directamente bajo la lente de la cámara;
  • Iluminación Difusa: Se recomienda iluminación uniforme con tiras LED (≥ 100 Lux) para evitar que las ondulaciones de la superficie generen reflejos especulares.

2. Instalación de Software: Cadena de Herramientas Oficial Recomendada​

Esta solución está integrada con el framework oficial de automatización de Seeed. El método principal recomendado utiliza solution-cli (o AI Solution Assistant) para la verificación previa y el despliegue automatizados, con opciones GUI también compatibles:

Ver Guía de Despliegue en Campo 🖱️

Recomendado: Despliegue Automatizado con solution-cli (Mejor Práctica CLI)​

solution-cli es el kit unificado de dimensionamiento y despliegue de Seeed para soluciones de edge AI industriales (consulta la Guía de Despliegue). Despliega en tres pasos sin gestionar manualmente contenedores ni tarballs:

# 1. Install or run solution-cli (skip if already available)
npm install -g @seeed-studio/solution-cli
# Or run on the fly via npx: npx @seeed-studio/solution-cli doctor

# 2. Diagnose local environment and scan network for reCamera hardware
solution-cli doctor
solution-cli device scan

# 3. Query solution details and deploy to target camera
solution-cli hub get crayfish_behavior_recognition --locale en
solution-cli deploy --solution crayfish_behavior_recognition --target recamera --host 192.168.42.1

Consejo: Si estás usando agentes de IA como Claude Code, Codex o Antigravity, indica directamente: "Please deploy reference design crayfish_behavior_recognition to the reCamera mounted over tank RAS-01 using solution-cli". El agente invoca la skill integrada para ejecutar las comprobaciones previas y montar la canalización automáticamente.

Alternativa: Instalación GUI (SenseCraft Web / App Center)​

  1. Abre http://<camera_ip> en un navegador;
  2. Navega a App Center, busca crayfish_behavior_recognition;
  3. Haz clic en Install; la cámara configura automáticamente las canalizaciones de detección y temporales;
  4. En ajustes, configura la dirección del MQTT Broker de la granja (por ejemplo, 192.168.1.100:1883) y habilita el daemon.

Arquitectura del Algoritmo: Embudo de 4 Etapas y Mosaico Temporal​

Camera Sensor (1080p @ 10-15fps)
   │
   ▼ [Stage 1] Object Detection     YOLO11n (640×640) → Bounding Boxes + ByteTrack
   │
   ▼ [Stage 2] Proximity Trigger    Center distance < 1.1× body length or IoU > 0 for ≥ 3 frames;
   │                                Crop interaction zone with 20% margin
   │
   ▼ [Stage 3] Single-Frame Triage  YOLO11n-cls (224×224) binary filter weeds out normal swimming
   │
   ▼ [Stage 4] Temporal Confirmation YOLO11n-cls (448×448 mosaic) validates 8-frame spatiotemporal matrix;
   │                                Completely eliminates 2D vertical overlap false alarms
   │
   ▼ Event Exit                     Publishes to MQTT/WS only on state transition (start / change / end)

Rama paralela: clasificador de sexo multi‑frame​

Dentro de los primeros 10 fotogramas de un nuevo ID de pista, los recortes de la pinza y el abdomen se clasifican con YOLO11n-cls (128×128) mediante votación multi‑frame, generando male / female / unknown con una precisión Top-1 del 82,0%.

Benchmarks y telemetría de campo​

Evaluado en más de 2.000 fotogramas de vídeo de campo anotados en instalaciones de investigación acuícola:

1. Precisión y recall del modelo​

ModeloResoluciónTareaMétrica de benchmarkObjetivo de runtime
det_v2_n640×640×3Detección de cangrejos de ríomAP50: 0.950 (P: 0.914, R: 0.880)RV1126B RKNN / SG2002 TPU
behavior_temporal448×448×3Verificación de pelea de 8 fotogramasRecall: 0.950 (Precisión: 0.905)RV1126B RKNN INT8
behavior_cls224×224×3Filtro de fotograma únicoRecall: 0.775, Precisión: 0.816RV1126B RKNN / SG2002 TPU
sex_cls128×128×3Clasificación de sexoTop-1: 0.820 (votación de 10 fotogramas)RV1126B RKNN / SG2002 TPU

2. Ejecución en hardware de borde​

  • reCamera Pro: 10~15 FPS (bucle cerrado completo de 4 etapas, ~18% CPU);
  • reCamera 2002: 12~15 FPS (detección + alerta de proximidad, ~25% CPU).

Interfaces y protocolos de telemetría​

1. Panel de monitorización de granja (MQTT)​

  • Broker: mqtt://<camera_ip>:1883
  • Topic: crayfish/tank/<tank_id>/event
  • Payload de alerta de agresión:
{
  "timestamp": 1793339665200,
  "tank_id": "RAS_04",
  "event_type": "FIGHT_CONFIRMED",
  "severity": "CRITICAL",
  "actors": [
    {"track_id": 2, "sex": "male", "box": [210, 140, 320, 260]},
    {"track_id": 5, "sex": "unknown", "box": [260, 160, 370, 280]}
  ],
  "duration_sec": 4.5
}

2. Inventario periódico del tanque y auditorías de proporción de sexos​

  • Topic: crayfish/tank/<tank_id>/stats
  • Publica cada hora los recuentos de inventario, las proporciones de sexos y las frecuencias de agresión para ayudar con los horarios de alimentación automatizados.
Loading Comments...