Caracterización poblacional de la cigala en Galicia Norte por medio de Deep Learning y Visión Artificial

Abstract

[Resumen]: La evaluación de la abundancia de la cigala (Nephrops norvegicus) en las costas de Galicia es fundamental para la caracterización de sus poblaciones y constituye un requisito indispensable para la investigación de su dinámica y preservación. Actualmente, los estudios de televisión submarina representan el estándar para la estimación de stocks, pero dependen de un proceso de conteo manual de madrigueras por parte de expertos que resulta laborioso, lento y subjetivo. Este trabajo presenta un sistema automatizado de detección y conteo basado en técnicas de Visión Artificial y Aprendizaje Profundo (Deep Learning). Se ha desarrollado un flujo de trabajo integral que comienza con el preprocesamiento de videos de campañas de televisión submarina. En esta fase, se corrige la distorsión de la perspectiva para proyectar el fondo marino sobre un plano geométricamente exacto, garantizando que la escala (píxel/cm) sea uniforme en toda la imagen y permitiendo realizar mediciones métricas reales. Posteriormente, se emplea una red neuronal convolucional basada en la arquitectura YOLOv8. El sistema final integra algoritmos de detección de madrigueras y seguimiento multi-objeto (ByteTrack) para mantener la identidad temporal de las detecciones, permitiendo cuantificar el número de madrigueras únicas y estimar sus dimensiones métricas. Los resultados demuestran el potencial de la metodología propuesta para actuar como una herramienta auxiliar de filtrado preliminar, capaz de agilizar el análisis y reducir la carga de trabajo manual, sirviendo como un apoyo complementario a la supervisión experta en la estimación de las poblaciones.

[Abstract]: The assessment of Norway lobster (Nephrops norvegicus) abundance off the Galician coast is essential for characterizing its populations and constitutes an indispensable requirement for researching its dynamics and preservation. Currently, underwater television surveys represent the standard for stock estimation; however, they rely on a manual burrow counting process by experts that is laborious, time-consuming, and subjective. This work presents an automated detection and counting system based on Computer Vision and Deep Learning techniques. A comprehensive workflow has been developed, beginning with the preprocessing of videos from underwater television campaigns. In this phase, perspective distortion is corrected to project the seabed onto a geometrically accurate plane, ensuring a uniform scale (pixel/cm) throughout the image and enabling real metric measurements. Subsequently, a convolutional neural network based on the YOLOv8 architecture is employed. The final system integrates burrow detection algorithms and multi-object tracking (ByteTrack) to maintain the temporal identity of detections, allowing for the quantification of unique burrows and the estimation of their metric dimensions. The results demonstrate the potential of the proposed methodology to act as a preliminary auxiliary filtering tool, capable of streamlining analysis and reducing manual workload, serving as complementary support to expert supervision in population estimation.