FishTrader: plataforma de inteligência de informações de mercado para a maximização do lucro de piscicultores e da indústria de pescado

• Processo: 23/07175-2
• Modalidade de apoio: Bolsas no Brasil - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Vigência (Início): 01 de março de 2023
• Vigência (Término): 28 de fevereiro de 2025
• Área do conhecimento: Ciências Agrárias - Recursos Pesqueiros e Engenharia de Pesca - Aquicultura
• Acordo de Cooperação: SEBRAE-SP
• Pesquisador responsável: Tiago Zanett Albertini
• Beneficiário: Tiago Zanett Albertini
• Empresa Sede: Tech Inovações Tecnológicas para a Agropecuária S/A (Filial)
• CNAE: Desenvolvimento de programas de computador sob encomenda
• Vinculado ao auxílio: 22/08224-4 - FishTrader: plataforma de inteligência de informações de mercado para a maximização do lucro de piscicultores e da indústria de pescado, AP.PIPE
• Assunto(s): Piscicultura Algoritmos Aprendizado computacional Biometria Lucro
• Palavra(s)-Chave do Pesquisador: algoritmo | Aprendizagem de Maquina | Biometria | Câmeras | Piscicultura | Piscicultura

Resumo

O FishTrader (Processo Fapesp PIPE Fase 1 2019/27218-2) tem como proposta de valor, uma plataforma inteligente que realiza predição do momento ideal de despesca e abate dos peixes (faixa de peso, tamanho e volume) a partir de informações de mercado e dados de biometria gerados automaticamente. O propósito dessa inovação é que pisciculturas e indústrias maximizem a lucratividade de suas atividades por meio das medições assertivas do Ponto Ótimo de Negociação (PON), em um modelo que otimiza em escala diária de processamento as negociações conforme indicadores de produção adotadas por este mercado e controlados a partir de dados automatizados na plataforma. No PIPE 1, foram realizadas coletas de dados da cadeia produtiva de tilápia, tambaqui e matrinxã, entrevistando 20 pisciculturas, 6 frigoríficos, 6 empresas verticalizadas (produz, processa e comercializa) e 3 cooperativas. O estudo de regras de negociação entre eles permitiram compreender que a única característica considerada é o peso médio dos peixes, obtidos manualmente e por amostragem. Entretanto, 100% dos frigoríficos entrevistados declaram a falta de informações mais precisas de peso, sendo comum obter peixes mais leves, situação que resulta em menor rendimento de filé. Já os piscicultores prezam pelo menor período de cultivo para menores gastos com ração. Assim, para o modelo PON, foram considerados fatores como a conversão alimentar, em que os lotes mais eficientes serão mantidos por mais tempo na engorda para ambos os setores obterem ganho máximo no lucro. Além do modelo PON, foi realizado o estudo de algoritmo de biometria que prediz o peso usando relações de peso e comprimento utilizando câmeras estereoscópicas. Estas foram capazes de agregar dados de profundidade, sendo realizado em quatro etapas: 1) captura de imagens realizada com duas câmeras estereoscópicas, a Intel Realsense D435 e a Ailipu ELP-960P2CAM, esta última resistente à água; 2) aplicação de um modelo de deep learning treinado para realizar a segmentação das imagens de peixes em condições controladas.; 3) análise de cada peixe segmentado pelo algoritmo, gerando informações de biometria (peso, comprimento total e altura); e 4) registro das melhores predições em um dataset. Por fim, realizou uma comparação entre os resultados de biometria fornecidos pelo algoritmo e os resultados de biometria manual, testando o sistema de câmeras e suas capacidades preditivas, em quatro níveis de turbidez: 3, 20, 60 e 100 Unidade Nefelométrica de Turbidez (NTU). A partir da coleta de dados de biometrias manuais, construiu uma função capaz de relacionar a medida de comprimento total com o respectivo peso da tilápia. Foram encontrados erros entre 7% a 13% para valores de comprimento total médio e erros entre 8% a 26% para valores de peso médio do conjunto de peixes avaliados. O objetivo da atual proposta na Fase 2 é desenvolver o primeiro protótipo da plataforma em campo, que será testado em pisciculturas parceiras localizadas nos estados de maior produção nacional (SP, PR e RO), com módulos 1 e 2. No módulo 1 serão utilizados dados de biometria fornecidos pelos piscicultores; no módulo 2 serão utilizadas as medidas dos peixes geradas diariamente pelo sistema 3DFish utilizando inteligência artificial e visão computacional. O modelo animal será o da tilápia com a avaliação por amostragem, no entanto, será integrado ao FishTrader a tecnologia de reconhecimento individual usando machine learning, o idGigas, a partir das marcas ósseas na cabeça do pirarucu (Arapaima gigas) que tem alto valor agregado. As informações de ambos os módulos irão abastecer a mesma base de dados e utilizadas para definir o PON calculado pelas curvas de performance e lucratividade integradas a um modelo de pesquisa operacional, usando algoritmos estatísticos e de aprendizagem de máquina. Algumas empresas de relevância no mercado se tornaram parceiras do projeto e poderão ser usuárias ou assistir a evolução técnico-negócio-comercial da proposta. (AU)