Predição do peso corporal de tilápias por visão computacional: Uso de imagens digitais e inteligência artificial na piscicultura de precisão

  • Agda Vieira de Oliveira, Adriano Carvalho Costa, Marco Antônio Pereira da Silva, Lessandro do Carmo Lima e Isadora Carolina Borges Siqueira

    • 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

    Sair da versão mobile