Herramienta para la caracterización del comportamiento del cangrejo azul

Abstract

[Resumo]: El estudio del comportamiento de especies invasoras como el cangrejo azul (Callinectes sapidus) es crucial para la gestión de ecosistemas. El método habitual para esta tarea, el análisis manual de grabaciones de vídeo, es un proceso lento, laborioso y subjetivo. Este Trabajo de Fin de Grado desarrolla una herramienta de software de escritorio para la caracterización automática del comportamiento animal. La solución se estructura en tres componentes principales: una interfaz gráfica de usuario (GUI), construida con CustomTkinter, que actúa como el componente de control principal; un modelo de tracking (basado en YOLO y desplegado en un entorno aislado de Docker) que extrae las trayectorias; y un motor de análisis propio, desarrollado en Python, que procesa dichas trayectorias. Esta solución implementa funcionalidades clave para la investigación, como un sistema de gestión de proyectos, la organización de datos en grupos experimentales y un sistema de calibración de perspectiva para garantizar la validez científica de las mediciones. La aplicación permite a los usuarios sin conocimientos técnicos obtener un conjunto completo de métricas cuantitativas (distancia, velocidad, sinuosidad, uso del espacio) y visualizaciones avanzadas, como mapas de calor y gráficos de cajas comparativos con análisis estadístico. Proporcionando a los investigadores una herramienta funcional y robusta que facilita el análisis etológico a partir de datos de vídeo.[Abstract]: The study of the behavior of invasive species such as the blue crab (Callinectes sapidus) is crucial for ecosystem management. The common method for this task, the manual analysis of video recordings, is a slow, laborious, and subjective process. This Final Degree Project develops a desktop software tool for the automatic characterization of animal behavior. The solution is structured into three main components: (1) a graphical user interface (GUI), built with CustomTkinter, which acts as the main control component; (2) a tracking model (based on YOLO and deployed in an isolated Docker environment) that extracts the trajectories; and (3) a custom analysis engine, developed in Python, which processes these trajectories. This solution implements key functionalities for research, such as a project management system, the organization of data into experimental groups, and a perspective calibration system to ensure the scientific validity of the measurements. The application allows non-technical users to obtain a comprehensive set of quantitative metrics (distance, speed, sinuosity, spatial usage) and advanced visualizations, such as heatmaps and comparative box plots with statistical analysis. It provides researchers with a functional and robust tool that facilitates ethological analysis from video data.