Sistema embebido para la optimización de la reproducción de los peces betta basándose en algoritmos de deep learning

Abstract

La reproducción controlada de peces Betta splendens requiere la observación del comportamiento de los ejemplares y el seguimiento de las condiciones del entorno acuático, procesos que tradicionalmente dependen de la supervisión directa del encargado. En este trabajo se desarrolló un sistema embebido orientado al monitoreo automatizado de indicadores asociados al comportamiento reproductivo de esta especie mediante técnicas de deep learning. El prototipo integra una Raspberry Pi 4 como unidad principal de procesamiento, un ESP32 para la adquisición de variables fisicoquímicas, una cámara para la captura de video y sensores de temperatura, pH y sólidos disueltos totales (TDS). Para el procesamiento visual se entrenó e implementó un modelo YOLOv11 capaz de identificar al pez Betta macho, la hembra y la presencia de burbujas. A partir de las detecciones se incorporó una lógica de análisis espacial basada en la proximidad entre los ejemplares, permitiendo generar automáticamente eventos de avistamiento y realizar posteriormente la verificación de burbujas como indicador complementario del comportamiento reproductivo. La información obtenida se almacena en Firebase Realtime Database y puede ser consultada mediante una aplicación móvil desarrollada en MIT App Inventor, complementada con mecanismos de notificación a través de Telegram. Durante 150 días de operación se registraron 25 875 avistamientos, 10 482 imágenes asociadas a estos eventos, 2014 verificaciones positivas de burbujas y 1 405 903 registros históricos de las variables ambientales. Los resultados obtenidos evidencian la capacidad del prototipo para integrar visión artificial, sensado ambiental, almacenamiento en la nube y acceso remoto dentro de una arquitectura de monitoreo continuo, constituyéndose en una herramienta tecnológica de apoyo para el seguimiento automatizado del proceso reproductivo de los peces Betta splendens.