Dos estudios liderados por la investigadora Verónica Nieves, de la Universitat de València (UV), adaptan y combinan distintos métodos basados en IA para identificar de forma automatizada las especies capturadas incidentalmente, a partir de imágenes tomadas a bordo de buques pesqueros. Además, el equipo de investigación propone diversos marcos híbridos específicamente ajustados a estos datos, especies y condiciones de monitorización.
La captura incidental de especies marinas, también conocida como bycatch, representa una amenaza para la conservación de la biodiversidad marina. Supone aproximadamente el 40 % de las capturas pesqueras a nivel mundial y afecta especialmente a megafauna marina, incluidas tortugas, mamíferos marinos y tiburones.
La investigación, desarrollada en el Image Processing Laboratory (IPL) y el Instituto Cavanilles de Biodiversidad y Biología Evolutiva (ICBiBE) de la UV, en el marco del proyecto REDUCE de la Unión Europea (programa HORIZON), demuestra cómo la integración de enfoques complementarios y el ajuste específico para cada conjunto de datos pueden ofrecer soluciones optimizadas. Esta sinergia es fundamental para mantener la precisión a nivel de especie cuando se parte de imágenes de baja calidad.
Verónica Nieves, fundadora y líder de AI4OCEANS, grupo de investigación en inteligencia artificial para los océanos, con sede en la UV, destaca que “la IA puede ayudar a transformar imágenes complejas en información fiable sobre biodiversidad. Al combinar distintos modelos que ofrecen un equilibrio entre velocidad y precisión, nos acercamos a herramientas de monitoreo prácticas capaces de mejorar las estimaciones de captura incidental. Estos avances contribuyen a mejorar la protección de las especies marinas vulnerables”.
Entre las combinaciones de modelos exploradas destacan los marcos que combinan reconocimiento de objetos en las imágenes con otros que localizan e identifican las especies que aparecen en ellas; por ejemplo, la integración de Redes Neuronales Convolucionales (CNN) con Random Forest, así como el uso de arquitecturas como Faster R-CNN y YOLO. Otros equipos del proyecto también están realizando experimentos con diferentes variantes de YOLO y extractores alternativos de características, como los Vision Transformers(ViT).
Los esfuerzos colaborativos buscan lograr una integración flexible de diversos métodos, que pueden implementarse como sistemas de una sola etapa (rápidos y directos) o de dos etapas (más lentos, pero más precisos), en función de los desafíos que presenten las imágenes y del equilibrio requerido entre velocidad y precisión. Asimismo, Verónica enfatiza que “estas innovaciones proporcionan un marco inédito y práctico para mejorar el monitoreo de la captura incidental de megafauna marina, generar información más fiable a nivel de especie y respaldar decisiones de conservación mejor fundamentadas”.
La iniciativa pretende ofrecer a los usuarios un sistema unificado, flexible y escalable, capaz de gestionar imágenes complejas dentro de un flujo de trabajo coherente. Jordi Fornés, técnico de investigación que ha contribuido al análisis experimental, subraya que “estos modelos pueden perfeccionarse a medida que se disponga de más imágenes, y adaptarse a otros conjuntos de datos, especies y contextos de monitoreo”.
Para estos estudios, la captación de imágenes a bordo fue realizada por las tripulaciones de los buques, mientras que la empresa DataFish, el equipo de AI4OCEANS y colaboradores del proyecto se encargaron de la recopilación de datos y el apoyo en la anotación.
Referencias bibliográficas
- J. Fornes-Mengual, V. Nieves, Advancing AI-based species identification for marine bycatch monitoring: Insights from faster R-CNN experiments, Ecological Informatics (2026), DOI.
- J. Fornes-Mengual, V. Nieves, AI-Based Image Analysis for Marine Species Monitoring: A CNN-RF Approach, (2025), IEEE Asia-Pacific Conference on Geoscience, Electronics and Remote Sensing Technology (AGERS), Purwokerto, Indonesia, (2025), pp. 732-737, doi: 10.1109/AGERS67633.2025.11446450
Fuente: UV