A captura de imagens em estufas aquícolas impõe desafios técnicos, como distorção de grande angular, reflexos intensos e baixa qualidade visual subaquática. Para enfrentar esses problemas, os autores testaram duas técnicas de correção de distorção de lente (Fisheye Flattening e Stretch Flattening) e dois métodos de remoção de reflexos (2D-Image Flat Field Correction e filtro Non-Local Means), além de estratégias de aumento de dados para compensar a limitação de imagens anotadas de caranguejos em fase de troca do exoesqueleto.
Os resultados indicaram que o método de fisheye flattening superou o stretch flattening na recuperação das proporções e formas dos objetos nas bordas das imagens. Da mesma forma, a correção de campo plano em 2D mostrou-se mais eficaz do que o filtro não local na redução de reflexos, melhorando o contraste e a legibilidade dos caranguejos durante o processo de muda.
Com a melhor combinação de pré-processamento e data augmentation, o YOLOv7 atingiu taxa de detecção bem-sucedida de 92,0% para caranguejos em fase de ecdise em ambiente de estufa. Segundo os autores, esse desempenho viabiliza sistemas automatizados capazes de emitir alertas em tempo real ou até acionar mecanismos de coleta logo após a troca de carapaça, reduzindo a dependência de vigilância manual contínua.
A pesquisa reforça a tendência de integração entre IoT e inteligência artificial para tornar a aquicultura mais precisa, sustentável e rentável. No cultivo de caranguejos de carapaça mole, a automação da detecção da troca do exoesqueleto pode aumentar o rendimento, melhorar a qualidade do produto e reduzir o estresse tanto dos animais quanto dos trabalhadores.
31
