Introdução
A aquicultura tem se consolidado como uma das atividades de produção animal que mais crescem no mundo, impulsionada pela crescente demanda por proteína de origem aquática e pela eficiência dos sistemas de cultivo. Nesse contexto, a tilapicultura destaca-se no Brasil devido à adaptabilidade da espécie, ao elevado potencial produtivo e à sua importância econômica para o setor aquícola (FAO, 2022).
O monitoramento do crescimento dos peixes é uma etapa fundamental do manejo, especialmente para o ajuste da alimentação e avaliação do desempenho dos lotes. Entretanto, os métodos convencionais de biometria ainda dependem da captura e manipulação dos animais, o que pode causar estresse fisiológico, aumentar riscos de lesões e mortalidade, além de elevar os custos operacionais (Silva et al., 2020).
Outro desafio está relacionado à baixa frequência das biometrias, frequentemente limitada pela disponibilidade de mão de obra e pela logística das avaliações. Como consequência, decisões importantes de manejo acabam sendo baseadas em amostragens pontuais, que nem sempre representam adequadamente a população cultivada (Oliveira et al., 2019).
Diante dessas limitações, tecnologias digitais têm sido incorporadas à aquicultura com o objetivo de aumentar a eficiência produtiva e reduzir os impactos do manejo convencional. Entre essas ferramentas, a visão computacional destaca-se por possibilitar a extração de informações biométricas a partir de imagens digitais, permitindo o monitoramento dos peixes de forma automatizada e não invasiva (Lima et al., 2025).
O avanço dessas tecnologias acompanha uma tendência observada em diversos segmentos da produção animal, nos quais a coleta e análise automatizada de dados vêm sendo utilizadas para aumentar a eficiência dos sistemas produtivos e apoiar decisões de manejo mais precisas.
Tecnologias digitais no manejo aquícola
A visão computacional utiliza algoritmos capazes de processar e interpretar imagens digitais, transformando padrões visuais em dados quantitativos. Na aquicultura, essa abordagem vem sendo aplicada no monitoramento do crescimento, comportamento e estado sanitário dos peixes, contribuindo para sistemas de produção mais automatizados e inteligentes (Ronneberger et al., 2015).
Estudos recentes também demonstram o potencial das redes neurais convolucionais (CNNs) na detecção e contagem automatizada de alevinos, ampliando as aplicações da inteligência artificial na produção aquícola (Fernandes et al., 2024). Além disso, ferramentas de aprendizado de máquina têm sido utilizadas na identificação e contagem de peixes com elevados índices de precisão, reforçando o potencial da automação no setor (Souza et al., 2024).
Nesse contexto, a combinação entre visão computacional e inteligência artificial tem possibilitado o desenvolvimento de modelos capazes de estimar o peso corporal dos peixes a partir de características extraídas das imagens, reduzindo a necessidade de manejo direto e fornecendo informações importantes para a tomada de decisão nos sistemas de cultivo.
Como funciona a predição por imagens
Na predição do peso corporal, o processo geralmente envolve três etapas principais: aquisição das imagens, processamento digital e modelagem preditiva. Inicialmente, as imagens são capturadas em ambiente controlado, com iluminação adequada e fundo contrastante, garantindo maior padronização dos dados (Li et al., 2020). O fluxo geral desse processo pode ser observado na Figura 1.
Figura 1. Etapas do processamento de imagens para predição do peso corporal de peixes: (A) plataforma de aquisição de imagens; (B) peixe identificado por caixa delimitadora; (C) contorno corporal extraído da imagem; (D) peixe segmentado por rede neural. Fonte: adaptado de Lima et al. (2025).
Em seguida, ocorre a segmentação das imagens, etapa responsável por isolar o peixe do fundo da imagem. Esse procedimento permite a extração de variáveis morfométricas, como comprimento, largura e área corporal, que posteriormente são utilizadas como entrada em modelos matemáticos ou algoritmos de aprendizado de máquina.
As variáveis morfométricas extraídas das imagens apresentam forte relação com o desenvolvimento corporal dos peixes. Medidas como comprimento, largura e área corporal refletem o crescimento dos indivíduos ao longo do ciclo produtivo e, por isso, são amplamente utilizadas em modelos de estimativa de peso. Quanto maior a qualidade das imagens e a precisão da segmentação, maior tende a ser a confiabilidade das predições realizadas pelos algoritmos (Li et al., 2020).
Esses modelos são treinados a partir de conjuntos de dados que relacionam as características extraídas das imagens ao peso real dos peixes, possibilitando a identificação de padrões e a realização de estimativas com elevada precisão (Lima et al., 2025).
A qualidade dos modelos é avaliada por meio de métricas estatísticas, como erro médio absoluto (MAE) e erro quadrático médio (MSE), utilizadas para medir a proximidade entre os valores estimados e os valores reais.
Precisão e vantagens da tecnologia
Estudos recentes demonstram que a visão computacional apresenta alta precisão na estimativa do peso corporal de tilápias, com forte correlação entre os valores preditos e os valores reais (Lima et al., 2025). Em comparação à biometria convencional, a abordagem baseada em imagens apresenta vantagens relacionadas ao bem-estar animal, à automação do monitoramento e à obtenção de dados mais frequentes para tomada de decisão.
Tabela 1. Comparação entre a biometria convencional e a visão computacional aplicada ao monitoramento de peixes.
| Aspecto | Biometria convencional | Visão computacional |
| Manipulação dos animais | Necessária | Não invasiva |
| Estresse animal | Elevado | Reduzido |
| Demanda de mão de obra | Alta | Menor |
| Frequência de monitoramento | Limitada | Contínua |
Conforme observado na Tabela 1, a utilização da visão computacional reduz a dependência da manipulação direta dos animais e possibilita avaliações mais frequentes de lote.
A maior frequência de coleta de dados também contribui para a construção de históricos produtivos mais completos. Essas informações podem ser utilizadas para avaliar tendências de crescimento, comparar lotes e aprimorar estratégias de manejo, tornando o processo produtivo mais previsível e baseado em evidências (Costa et al., 2025).
Outro benefício importante é a capacidade de analisar um número maior de indivíduos em curto intervalo de tempo, permitindo decisões de manejo mais precisas e representativas. Isso contribui diretamente para melhorias no manejo alimentar e na eficiência produtiva.
Aplicações na piscicultura de precisão
Na prática, sistemas baseados em visão computacional permitem o monitoramento contínuo dos peixes sem necessidade de manipulação direta, favorecendo o bem-estar animal e reduzindo falhas associadas ao manejo manual.
Além disso, a integração dessas ferramentas com sensores e sistemas automatizados fortalece o conceito de aquicultura de precisão, no qual as decisões são baseadas em dados obtidos em tempo real (Føre et al., 2018).
Outro benefício importante está relacionado à geração contínua de informações ao longo do cultivo. Diferentemente das biometrias periódicas, os sistemas automatizados permitem acompanhar mudanças no crescimento dos peixes de forma mais frequente, possibilitando a identificação precoce de desvios no desempenho do lote. Isso favorece intervenções mais rápidas e contribui para o uso mais eficiente dos recursos produtivos.
A disponibilidade contínua de informações sobre o crescimento dos peixes permite ajustes mais precisos no manejo alimentar, contribuindo para a redução do desperdício de ração e para a melhoria da eficiência produtiva. Dessa forma, os produtores podem acompanhar o desempenho dos lotes com maior frequência e tomar decisões baseadas em dados atualizados.
Apesar dos avanços, alguns desafios ainda precisam ser superados para a ampla adoção da tecnologia, como a padronização das condições de captura das imagens, a influência de fatores ambientais e os custos iniciais de implementação. Aspectos como qualidade da iluminação, movimentação dos peixes, turbidez da água e sobreposição entre indivíduos podem interferir diretamente na precisão dos modelos computacionais, exigindo constante aperfeiçoamento dos algoritmos utilizados.
No entanto, a tendência é de expansão dessas ferramentas à medida que as tecnologias digitais se tornam mais acessíveis e integradas aos sistemas produtivos, fortalecendo a adoção de soluções baseadas em inteligência artificial na aquicultura moderna (Føre et al., 2018; Fernandes et al., 2024).
Considerações finais
A visão computacional aplicada à predição do peso corporal de tilápias representa uma alternativa eficiente aos métodos tradicionais de biometria, permitindo estimativas precisas sem a necessidade de manipulação direta dos animais. Dessa forma, a tecnologia contribui para o bem-estar dos peixes e para a obtenção de informações mais frequentes e confiáveis para o manejo produtivo.
Além de favorecer decisões mais assertivas relacionadas à alimentação e ao acompanhamento do crescimento dos lotes, a integração da visão computacional com ferramentas de inteligência artificial amplia seu potencial de aplicação na aquicultura de precisão. Assim, sua adoção tende a contribuir para sistemas de produção mais eficientes, sustentáveis e tecnologicamente avançados.
REFERÊNCIAS
- Ashley, P.J. Fish welfare: current issues in aquaculture. Applied Animal Behaviour Science, v. 104, p. 199–235, 2007. https://doi.org/10.1016/j.applanim.2006.09.001
- FAO. The State of World Fisheries and Aquaculture 2022. Rome: Food and Agriculture Organization of the United Nations, 2022.
- Fernandes, M.P. et al. Convolutional neural networks in the inspection of serrasalmids fingerlings. Animals, v. 14, n. 4, p. 606, 2024. https://doi.org/10.3390/ani14040606
- Føre, M. et al. Precision fish farming: a new framework to improve aquaculture production. Aquaculture, v. 495, p. 803–813, 2018. https://doi.org/10.1016/j.aquaculture.2018.06.001
- Li, X. et al. Fish detection and segmentation based on deep learning: a review. Aquacultural Engineering, 2020.
- Lima, L.d.C.; Costa, A.C.; França, H.F.d.C.; Souza, A.S.; Melo, G.A.F.d.; Vitorino, B.M.; Kretschmer, V.d.V.; Marcionilio, S.M.L.d.O.; Reis Neto, R.V.; Viadanna, P.H.; et al. Predicting the Body Weight of Tilapia Fingerlings from Images Using Computer Vision. Fishes, v. 10, n. 8, p. 371, 2025. https://doi.org/10.3390/fishes10080371
- Oliveira, M.F. et al. Desafios no monitoramento produtivo em sistemas aquícolas. Aquaculture Research, 2019.
- Ronneberger, O.; Fischer, P.; Brox, T. U-Net: convolutional networks for biomedical image segmentation. In: INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER-ASSISTED INTERVENTION (MICCAI), 2015. Proceedings […]. Cham: Springer, 2015. p. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
- Silva, T.S. et al. Manejo e biometria em piscicultura intensiva. Revista Brasileira de Zootecnia, 2020.
- Souza, A.S. et al. Identification and counting of Piaractus brachypomus fingerlings using machine learning. Animals, v. 14, n. 20, p. 2999, 2024. https://doi.org/10.3390/ani14202999
