En 2021, tres biólogos marinos (1) que trabajan para Costa Humboldt, una organización sin fines de lucro dedicada a la conservación de la diversidad biológica y cultural costera y marina de Chile, se pusieron en contacto con Deepomatic. Ellos buscaban una manera de determinar la abundancia de la población de lobos marinos en Juan Fernández y proponer nuevas herramientas de gestión para su conservación adecuada en el futuro. Sin pensárselo dos veces, Deepomatic les concedió acceso inmediato y gratuito a su plataforma para demostrarles que la Computer Vision podía contribuir a vigilar y gestionar la biodiversidad.
Contexto y reto del socio: Automatizar el procesamiento de datos
Contexto geográfico e histórico
El programa se desarrolló en el archipiélago de Juan Fernández. Situado a 670 km de la costa chilena, está compuesto por tres principales islas volcánicas. Los ecosistemas insulares, como éste, tienen un gran valor científico porque han servido de refugio natural a múltiples especies a lo largo de la evolución y presentan un endemismo terrestre y marino elevado.
Entre todas estas especies, una llamó la atención de la organización: el lobo marino de Juan Fernández, cuya proliferación es motivo de preocupación. El lobo fino de Juan Fernández fue cazado indiscriminadamente entre los siglos XVIII y XIX, llevando a la especie casi al borde de la extinción. Redescubierta en 1965, su población se ha registrado esporádicamente desde entonces. El primer censo contó 200 individuos. Casi 35 años después, había unos 40.000, y desde entonces no se han hecho recuentos precisos, pero estimaciones aproximadas indican entre 100.000 y 250000 individuos en 2019.
Tensiones
Esta numerosa y creciente población ejerce presión sobre la población humana del archipiélago: El espacio limitado disponible, sobre todo en la isla principal (Robinson Crusoe), preocupa a los locales ( alrededor de 1.000 habitantes). Además, la pesca es la actividad más importante de la isla, donde se capturan seis especies de peces (unas 120 toneladas/año) y dos tipos de crustáceos, entre ellos la famosa langosta de Juan Fernández, que representa ingresos anuales de un millón de dólares para los pescadores locales. Hoy en día, se desconoce si esta numerosa población de focas está empezando a consumir estos mismos recursos que explotan los pescadores, lo que puede generar conflictos y aumentar el número de interacciones entre focas y seres humanos.
Misión
Para garantizar un equilibrio a largo plazo, la misión de Costa Humboldt fue, ante todo, realizar un censo del número de lobos marinos, así como reconocer el sexo y el estado de los animales (hembra, macho, juvenil o cachorro), parámetros que no se habían tenido en cuenta en varios de los censos anteriores. Su otro objetivo fue evaluar las interacciones entre focas y pesca percibidas por la comunidad. En última instancia, su trabajo buscaba proponer herramientas y estrategias de gestión para la conservación adecuada de los lobos marinos.
Desafíos
Los biólogos han aprendido de la naturaleza durante siglos mediante la observación visual, utilizando gradualmente dibujos, pinturas, fotografías y vídeo. Hasta hace muy poco, los censos de crecimiento poblacional estaban limitados por los recuentos manuales (también llamados "recuentos en tierra").
Sin embargo, surgieron nuevas oportunidades gracias a los modernos dispositivos de detección, como los drones y los satélites, capaces de tomar fotografías aéreas. Por desgracia, la lectura manual de estas fotos lleva mucho tiempo y sigue siendo subjetiva. Además, los datos se acumulan rápidamente y los investigadores se enfrentan a menudo con un obstáculo a la hora de procesarlos, por lo que no se aprovecha todo su potencial.
Esta es exactamente la situación en la que se encontraban los dos biólogos antes de ponerse en contacto con Deepomatic.
Los datos biológicos recopilados sobre el terreno presentan una serie de retos que la Computer Vision puede ayudar a resolver. La extracción y el procesamiento automatizados de la información brindan la oportunidad de aligerar este antiguo problema. He aquí cómo.
Deepomatic: solución y ventajas: Desafíos para los algoritmos de Computer Vision
Como suele ocurrir en los proyectos de Computer Vision, el primer paso consiste en comprender los datos que Deepomatic está analizando y determinar la mejor estrategia para alcanzar el objetivo: diferenciar y contar los lobos marinos en las imágenes.
Tras conceder acceso a Deepomatic Studio a Renato y Victor, éstos pudieron cargar sus imágenes, anotarlas y juntos entrenaron varios modelos de Computer Vision. Una vez que consiguieron modelos satisfactorios para detectar y diferenciar los animales, sólo tuvieron que ejecutar su modelo en todas las imágenes y sumar las detecciones para llegar a los recuentos finales.
Base de datos de lobos marinos en el estudio Deepomatic
Mientras intentaban construir un modelo de buen rendimiento, se enfrentaron a numerosos retos:
- La diversidad de imágenes (las imágenes procedían de diferentes lugares con diferentes fondos y se tomaron desde diferentes altitudes con el dron. En caso de mal tiempo, las imágenes también podían salir muy borrosas)
- Los elementos del fondo, como las rocas mojadas, podían parecerse mucho a los lobos marinos.
- Diferenciar las poblaciones de lobos marinos (la diferencia entre juvenil y hembra no siempre está clara, especialmente en imágenes tomadas desde un dron).
Estos retos exigieron probar diferentes técnicas en un proceso iterativo, como la división de los datasets para reunir imágenes similares y construir modelos adaptados, la creación de nuevos conceptos para reconocer aquellos elementos que se parecían a los lobos marinos pero que no debían contarse, o la selección de la predicción con mayor puntuación cuando dos predicciones consideraban que una misma foca era a la vez hembra y juvenil.
« Sabíamos que sería un éxito desde que creamos los primeros modelos a partir de los datos de entrenamiento. »Dr. Renato Borras, Colector marino y coordinador de acuarios
Creando un modelo de detección de lobos marinos con Deepomatic Studio
En este proceso iterativo, visualizar fácilmente las predicciones de la IA directamente en la plataforma fue de gran importancia para analizar los puntos débiles de sus modelos y anotar nuevas imágenes para mejorarlos o replantear su estrategia.
Visualización de las detecciones de lobos marinos en Deepomatic Studio
Finalmente, sus modelos de Computer Vision nos permitieron realizar el recuento de aproximadamente la mitad de la población total de lobos marinos. La otra mitad tuvo que ser contada manualmente en la plataforma debido a la insuficiencia de datos para entrenar modelos precisos en algunos escenarios específicos. Los algoritmos de Computer Vision demostraron ser la herramienta más eficaz y potente, dado que se entrenaron con datos de calidad suficiente.
« Los problemas a los que nos enfrentábamos no tenían nada que ver con la herramienta en sí, sino con la recolección correcta de las imágenes. Una vez que perfeccionemos las técnicas de recolección de imágenes de calidad, el problema quedará resuelto. »Dr. Renato Borras, Colector marino y coordinador de acuarios
Ejemplo de conteo automático de lobos marinos en Superset
En conclusión, los avances tecnológicos en la recolección, el tratamiento y la gestión de datos hacen que el campo de la vigilancia de la biodiversidad avance día a día. La capacidad de la computer Vision para procesar grandes y complejos conjuntos de datos ha llevado a muchos investigadores a explorar cómo puede utilizarse esta tecnología para ayudar a supervisar sus problemas. Ofrecer su plataforma a este programa fue una excelente oportunidad para utilizar sus conocimientos en un proyecto científico y de gran repercusión.
Si tiene alguna pregunta sobre el proyecto, póngase en contacto con lobofinojf@costahumboldt.org.
(1) Dr. Renatos Borràs-Chàvez, Victor Castillo & Luciano Hiriart-Bertrand
