Suporte Técnico e Operacional para a Infraestrutura de Captura de Imagens e Testes de Modelos de Visão Computacional.

• Processo: 25/20822-2
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de novembro de 2025
• Data de Término da vigência: 31 de julho de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Aristóteles Gomes de Melo Junior
• Beneficiário: Luciano Ermelindo de Almeida
• Vinculado ao auxílio: 25/02355-8 - Visão computacional aplicada à piscicultura para biometria, estimativa de biomassa e detecção de patologias relacionadas a visão dos peixes., AP.PIPE
• Assunto(s): Aprendizagem profunda Visão computacional
• Palavra(s)-Chave do Pesquisador: Agricultura 4 | Análise de Patologias | Aquicultura de Precisão | Biometria de Peixes | Deep Learning | Estimativa de Biomassa | Monitoramento Automatizado | Tecnologia em Piscicultura | Visão Computacional | 0 | Inteligência Artificial ligada a Visão Computacional

Resumo

Este projeto propõe o desenvolvimento de uma solução inovadora e automatizada para otimizar o manejo em sistemas de piscicultura, utilizando visão computacional e inteligência artificial. Nosso objetivo é aprimorar significativamente os processos atuais de biometria, estimativa de biomassa e detecção precoce de patologias, oferecendo maior eficiência e precisão para toda a produção. A abordagem integra três funcionalidades principais: primeiro, a medição precisa e não invasiva do peso individual dos peixes, a partir de imagens subaquáticas 2D processadas com reconstrução 3D e algoritmos de aprendizado profundo; em seguida, o cálculo em tempo real da biomassa total do tanque, combinando modelos de detecção como YOLOv8 com correlações entre volume e peso; e finalmente, a identificação antecipada de patologias visuais e padrões anormais de comportamento, utilizando redes neurais convolucionais treinadas com bancos de imagens de espécies tropicais. Para viabilizar essas funcionalidades, a arquitetura do sistema baseia-se em câmeras subaquáticas de alta resolução (4K) e espectro infravermelho, operando com servidores locais de borda (edge computing), o que permite a coleta e o processamento dos dados mesmo em ambientes com baixa conectividade. As imagens captadas serão analisadas com técnicas de aprendizado de máquina, como transfer learning e arquiteturas avançadas (EfficientNet, ResNet), permitindo a geração de dados analíticos e recomendações personalizadas por meio de um dashboard interativo. O projeto será conduzido em condições reais de piscicultura, com testes em tanques escavados e tanques-rede, a fim de validar a tecnologia nas principais formas de cultivo utilizadas no Brasil. A proposta está alinhada aos desafios da aquicultura tropical e visa oferecer uma solução escalável, de fácil adoção e com impacto direto na produtividade, sustentabilidade e eficiência da produção de pescado.