Introdução
Na aquicultura a contagem de alevinos tem papel decisivo na organização das etapas de produção. E a partir dela que o produtor estima a densidade de estocagem, acompanha o desenvolvimento dos peixes e consegue se planejar ao longo do ciclo (BARROS et al., 2025). Os métodos de contagem tradicionais mostram-se ineficientes na produção em larga escala, por ser um processo lento, suscetível a erros humanos e que aumenta a taxa de mortalidade (REHMAN et al., 2017).
Como alternativa para substituir os métodos manuais, a Inteligência Artificial (IA) tem se consolidado como alternativa eficiente. A sua implementação proporciona um aumento na agilidade durante o processo, eleva significativamente a precisão dos dados coletados, e causa aos animais menor estresse, já que soluções baseadas em IA por meio de visão computacional permitem avaliações não invasivas e menos frequentes (SOUZA et al., 2025).
Os trabalhos que utilizam IA para contagem de peixes são baseados em técnicas de visão computacional, onde Redes Neurais Convolucionais, são algoritmos de aprendizado profundo, capazes de analisar imagens ou vídeos e aprender a detectar e reconhecer objetos (YANG, 2021). A rede é “treinada” com um grande volume de fotos, aprendendo as características visuais dos peixes para conseguir identificá-los e contá-los automaticamente em tempo real (SANTOS, 2024).
Considerando os benefícios e os avanços que a automação na contagem de alevinos proporciona para a piscicultura em escala, quando comparada aos métodos tradicionais, essa tecnologia se apresenta como uma alternativa promissora para toda a cadeia produtiva. A utilização de métodos não invasivos torna o processo mais preciso, ágil e seguro, contribuindo para o desempenho zootécnico e para a adoção de práticas inovadoras e sustentáveis no manejo dos peixes (WANG et al; 2025).
Desafios na contagem de alevinos
A contagem de alevinos é uma tarefa desafiadora na indústria da aquicultura, e parte essencial da comercialização, pois pode fornecer orientação sobre como avaliar a taxa de sobrevivência, regular a densidade de reprodução, monitorar as vendas e padronização (Zhang et al. 2022). Portanto, o método de contagem utilizado deve ser eficiente e preciso para desenvolvimento da piscicultura.
Em geral, os métodos de contagem de alevinos incluem contagem manual, realizando assim uma média aproximada, porém alguns sistemas aquícolas mais tecnificados, já estão implantando processos de contagem com mecanização ou até mesmo com IA. Os métodos de contagem manuais utilizados estão apresentados na Tabela 1:
TABELA 1
|
MÉTODO |
DESCRIÇÃO | FONTE |
| Contagem
manual |
Realizada transferindo os animais individualmente de um recipiente para outro. Embora simples, esse método apresenta desvantagens por ser lento, exige grande esforço operacional e está sujeito a erros humanos, especialmente por se tratar de uma atividade monótona e repetitiva. Além disso, demanda tempo, mão de obra intensiva e eleva os custos do processo. | Salazar et al., 2015 |
| Por
volume seco |
É um método que se constitui quando há um local onde os alevinos e as pós-larvas estejam armazenados e já se sabe o volume dele, possibilitando a retirada de uma ou mais amostras, com a ajuda de um recipiente. A partir do valor do volume e da contagem das amostras, é realizada uma estimativa da quantidade de animais no volume total. Esse método carece de precisão, pois é afetado pelos diferentes tamanhos que um lote de animais pode ter. | Senar, 2017 |
| Por
volume com água |
É um método semelhante ao anterior, porém essa estimativa é realizada com o volume dos animais juntamente com água. Ele apresenta uma desvantagem semelhante ao método anterior, acrescido da dificuldade de coleta de amostras que representem a distribuição igualitária do volume total, tendo em vista que os animais estão dispersos na água, no local em que estão armazenados. | Khantuwan e Khiripet, 2012 |
| Método
por filtro ou peneira |
Conhece-se previamente o número de peixes que podem ser armazenados no instrumento. Assim, a contagem é feita à medida que os animais são transferidos de um local para outro utilizando esse equipamento. Embora simples, esse procedimento depende da padronização do volume e pode gerar imprecisões caso o número estimado por lote não seja exato. | Salazar et al., 2015
Senar, 2017 |
| Método
gravimétrico |
Constitui quando há a ajuda de uma balança eletrônica para encontrar uma relação entre o peso e a quantidade de animais. Esse método apresenta um fator dificultador que é o fato de nem todos os filhotes possuírem o mesmo tamanho e peso. |
Khantuwan e Khiripet, 2012 |
Fonte: Citadas na tabela.
Com o objetivo de minimizar os problemas causados pela imprecisão da contagem manual como falhas humanas, falta de precisão e fadiga, além de fatores subjetivos durante o processo de contagem como a percepção individual, têm sido desenvolvidos contadores automáticos de peixes baseados em inteligência artificial. Essas tecnologias utilizam redes neurais capazes de identificar e quantificar os indivíduos a partir de imagens ou vídeos (Gonçalves et al., 2022).
O uso de inteligência artificial na contagem de peixes
A utilização da inteligência artificial na contagem de alevinos de tilápia tem sido uma ferramenta promissora. Um exemplo prático dessa aplicação é o estudo de Santos (2024), que empregou uma Rede Neural Convolucional (RNC), a arquitetura YOLOv4 , para a identificação e contagem automatizada dos alevinos. No referido trabalho, o modelo demonstrou alta eficácia, alcançando uma média de precisão (mAP@0,5) de 98,2% quando treinado com 100 épocas, e 98,1% com 150 épocas.
Dentre os métodos de aprendizagem profunda, as redes neurais convolucionais (RNC) têm se destacado por sua eficácia na detecção de elementos visuais, utilizando camadas sequenciais e operações de convolução. Para extrair características relevantes das imagens, esse tipo de arquitetura é especialmente eficaz em tarefas de visão computacional, como classificação de imagens, detecção de objetos, segmentação semântica, reconhecimento facial e contagem de peixes. (Gu et al, 2018).
As CNNs permitem que algoritmos de IA identifiquem e contem alevinos em imagens capturadas em tempo real, mesmo em ambientes subaquáticos com baixa visibilidade e iluminação irregular. Essas redes são compostas por camadas convolucionais, responsáveis por detectar padrões locais da imagem; camadas de pooling, que reduzem a dimensionalidade e aumentam a capacidade de generalização; e camadas totalmente conectadas, que realizam a interpretação final das características extraídas (Fu & Yuna, 2022).
Dentre os algoritmos de detecção de objetos, o YOLO tem se destacado por revolucionar a área da visão computacional, principalmente por sua capacidade de realizar detecção em tempo real com alta precisão. Suas aplicações na contagem de animais visam automatizar e aprimorar a gestão zootécnica, contribuindo para o bem-estar animal e para o aumento da eficiência produtiva (Li et al., 2022).
Modelos como o YOLO e o Faster R-CNN vêm sendo amplamente utilizados na detecção e contagem de peixes. E estudos mostram que é possível alcançar 95% de acurácia, mesmo em cenários com variações de iluminação e sobreposição de indivíduos, além de reduzir significativamente o tempo de processamento em comparação com métodos tradicionais (Oliveira et al., 2021).
Além da precisão na identificação dos indivíduos, a utilização de IA na contagem de peixes também amplia as possibilidades de monitoramento em tempo real, algo difícil de alcançar com técnicas convencionais. Sistemas equipados com câmeras subaquáticas e algoritmos de detecção contínua permitem registrar automaticamente o fluxo de animais, acompanhar variações de densidade e identificar padrões de movimentação ao longo do ciclo produtivo. Estudos recentes demonstram que essa integração entre visão computacional e análise contínua contribui para a tomada de decisão no manejo, especialmente ao possibilitar ajustes imediatos na alimentação e na distribuição dos lotes, aumentando a eficiência operacional (Li et al., 2021).
Considerações finais
O estudo evidencia que a utilização da inteligência artificial na contagem de alevinos de tilápia representa um avanço significativo na modernização da aquicultura demonstrando excelentes valores de acurácia e precisão, permitindo aos piscicultores obterem informações mais precisas e detalhadas sobre suas operações.
Referências Bibliográficas
● BARBIERI, E.; BARBIERI, E. Inteligência Artificial na Aquicultura: Caminhos para uma produção sustentável e automatizada. 2025. Cap. 6.
● BARROS, L. O. et al. A precisão da contagem de alevino: contador de peixes na piscicultura com uso de tecnologia. Brazilian Journal of Development, Curitiba, v. 11, n. 4, p. 01-13, abr. 2025.
● GONÇALVES, D. N. et al. Using a convolutional neural network for fingerling counting: A multi-task learning approach. Aquaculture, v. 557, p. 738334, 2022.
● GU, J. et al. Recent advances in convolutional neural networks. Pattern Recognition, v. 77, p. 354–377, 2018.
● KHANTUWAN, W.; KHIRIPET, N. Live shrimp larvae counting method using co-occurrence color histogram. In: International Conference on Electrical Engineering/Electronics, Computer, Telecommunications and Information Technology, 9., 2012. Anais […]. [S.l.]: IEEE, 2012. p. 1–4.
● Lima LdC, Costa AC, França HFdC, Souza AS, Melo GAFd, Vitorino BM, Kretschmer VdV, Marcionilio SMLdO, Reis Neto RV, Viadanna PH, et al. Predicting the Body Weight of Tilapia Fingerlings from Images Using Computer Vision. Fishes. 2025; 10(8):371. https://doi.org/10.3390/fishes10080371.
● LI, D. et al. Automatic counting methods in aquaculture: A review. Journal of the World Aquaculture Society, v. 52, n. 2, p. 269-283, 2021.
● LI, X. et al. Automatic detection and counting of pigs based on improved YOLOv5 model. Computers and Electronics in Agriculture, v. 198, p. 107051, 2022.
● REHMAN, S. et al. Stress in aquaculture hatcheries: source, impact and mitigation. International Journal of Current Microbiology and Applied Sciences, v. 6, n. 10, p. 3030-3045, 2017.
● SANTOS, L. C. Inteligência Artificial na contagem de tilápias Oreochromis niloticus. 2024. 33 f. Trabalho de Conclusão de Curso (Bacharelado em Ciências Biológicas) – Instituto Federal Goiano, Rio Verde, 2024.
● Souza AS, Costa AC, França HFdC, Nuvunga JJ, Ferreira de Melo GA, Lima LdC, Kretschmer VdV, de Oliveira DÁ, Horn LD, Rezende IRd, et al. Identification and Counting of Pirapitinga Piaractus brachypomus Fingerlings Fish Using Machine Learning. Animals. 2024; 14(20):2999. https://doi.org/10.3390/ani14202999.
● WANG, Guangxu; YU, Jiaxuan; XU, Wenkai; et al. 2025. Expert Systems with Applications.
● YANG, H.; CHEN, S.; LIN, T. Recent advances in fish counting and classification using computer vision. Aquacultural Engineering, v. 93, p. 102142, 2021.
● ZHANG, J.; PANG, H.; CAI, W.; YAN, Z. Usando tecnologia de processamento de imagem para criar um novo algoritmo de contagem de alevinos. Aquaculture and Fisheries, v. 7, p. 441–449, 2022.
