Clasificación taxonómica de imágenes de zooplancton mediante aprendizaje profundo (Deep learning) y redes neuronales convolucionales (CNN)
| dc.contributor.author | Chiaverano, Luciano M. | |
| dc.contributor.author | Di Mauro, Rosana | |
| dc.contributor.author | Schiariti, Agustín | |
| dc.contributor.author | Meschino, Gustavo J. | |
| dc.contributor.author | Garachari, María Belén | |
| dc.contributor.author | Comas, Diego S. | |
| dc.date.accessioned | 2026-07-02T14:11:33Z | |
| dc.date.available | 2026-07-02T14:11:33Z | |
| dc.date.issued | 2025 | |
| dc.description.abstract | El zooplancton desempeña un rol central en los ecosistemas marinos, entre otras razones por constituir la principal fuente de alimento para larvas y juveniles de peces de importancia comercial y ecológica. Sin embargo, el estudio de sus comunidades sigue siendo un desafío debido a su gran diversidad taxonómica y morfológica, la amplitud de sus distribuciones y los costos y la logística asociados al muestreo. A esto se suma que la clasificación tradicional depende de especialistas y de un conteo manual bajo lupa, un proceso lento y altamente demandante. La digitalización de muestras y la clasificación taxonómica automatizada surgen como herramientas capaces de superar gran parte de estas limitaciones. En este estudio se aplicó, por primera vez en el país, la transferencia de aprendizaje (transfer learning) y redes neuronales convolucionales (CNN) para clasificar automáticamente 4775 imágenes digitales de zooplancton escaneado. El material fue identificado en ocho categorías amplias: eufáusidos, anfípodos, quetognatos, copépodos calanoideos, copépodos ciclopoideos, larvas de decápodos, huevos de peces y apéndices de crustáceos. Se evaluaron seis arquitecturas de redes neuronales, comparando su exactitud cuando se entrenaron con imágenes generalizadas y cuando se entrenaron desde cero con imágenes clasificadas manualmente. Las CNN alcanzaron exactitudes superiores al 84% para las ocho categorías. El mejor desempeño (95.9%) se obtuvo utilizando transferencia de aprendizaje con la red ResNet50 V2 preentrenada en ImageNet. Estos resultados destacan el potencial de la inteligencia artificial como herramienta exacta, eficiente y rápida para la clasificación taxonómica del zooplancton. Integrada con técnicas automáticas para estimar abundancia, tamaño y biomasa por taxón a resoluciones más finas, permitirá abordar preguntas clave sobre el funcionamiento de los ecosistemas, el cambio climático y los mecanismos bottom-up que influyen en el reclutamiento de peces de valor comercial en el Mar Argentino. | |
| dc.identifier.citation | Chiaverano, L.M.; Garachari, M.B.; Comas, D.S.; Meschino, G.J.; Di Mauro, R.; Schiariti, A. (2025). Clasificación taxonómica de imágenes de zooplancton mediante aprendizaje profundo (Deep learning) y redes neuronales convolucionales (CNN) (Informe de Investigación, No. 158). Instituto Nacional de Investigación y Desarrollo Pesquero (INIDEP) | |
| dc.identifier.uri | https://marabierto.inidep.edu.ar/handle/inidep/5396 | |
| dc.language.iso | es | |
| dc.publisher | Instituto Nacional de Investigación y Desarrollo Pesquero (INIDEP) | |
| dc.relation.ispartofseries | Informe de Investigación; 158 | |
| dc.title | Clasificación taxonómica de imágenes de zooplancton mediante aprendizaje profundo (Deep learning) y redes neuronales convolucionales (CNN) | |
| dc.type | Technical Report |