GLORIA - Sistema de Identificación de Especies y Origen de Peces

Este proyecto implementa una solución tecnológica avanzada basada en Inteligencia Artificial para la identificación automática de especies de peces y la determinación de su origen (Salvaje o de Piscifactoría). Desarrollado en el marco del proyecto GLORIA, su objetivo es mejorar la resiliencia y sostenibilidad del sector acuícola mediante el uso de herramientas de visión artificial.

Descripción del Proyecto

El sistema está diseñado para operar en entornos reales como pescaderías, lonjas y mercados, superando las limitaciones de los entornos controlados de laboratorio. Utiliza algoritmos de Aprendizaje Profundo (Deep Learning) para analizar imágenes de peces y proporcionar información crítica sobre su taxonomía y procedencia comercial.

Funcionalidades Principales

• Identificación de Especies: Clasificación precisa entre Dorada (Sparus aurata) y Lubina (Dicentrarchus labrax).
• Discriminación de Origen: Determinación del método de obtención del ejemplar (captura salvaje o producción en piscifactoría).
• Análisis de Calidad de Imagen: Evaluación en tiempo real de parámetros de iluminación, enfoque y encuadre para garantizar la fiabilidad de la predicción.
• Adaptación de Dominio: Modelos optimizados para el reconocimiento de especímenes en fondos complejos y bajo condiciones lumínicas variables.

Requisitos Técnicos

• Lenguaje de Programación: Python 3.9 o superior.
• Framework Web: Flask.
• Bibliotecas de IA/ML: PyTorch (arquitecturas ViT y ConvNeXt) y TensorFlow (arquitectura MobileNet).
• Procesamiento de Imágenes: OpenCV y scikit-image.

Instalación y Configuración Local

1. Preparación del Entorno

Se recomienda el uso de un entorno virtual para asegurar el aislamiento de las dependencias.

# Creación del entorno virtual
python -m venv .venv

# Activación del entorno
# En sistemas Linux/macOS:
source .venv/bin/activate
# En sistemas Windows:
.venv\Scripts\activate

2. Instalación de Dependencias

Ejecute el siguiente comando para instalar los paquetes necesarios:

pip install -r requirements.txt

3. Ejecución de la Aplicación

Para iniciar el servidor de aplicaciones en el entorno local:

python web_app/app.py

Una vez iniciado, la interfaz será accesible a través de la dirección: http://localhost:5000

Arquitectura del Sistema

El proceso de análisis se divide en las siguientes etapas secuenciales:

1. Preprocesamiento: Normalización de la imagen y validación de métricas de calidad.
2. Detección de Región de Interés (ROI): Localización del espécimen dentro del cuadro para optimizar el análisis.
3. Clasificación Taxonómica: Un modelo basado en Vision Transformer (ViT) identifica la especie.
4. Clasificación de Origen: Selección dinámica de un modelo especializado según la especie detectada para determinar si es Salvaje o de Cultivo.
5. Generación de Resultados: Presentación de la identificación junto con sus correspondientes índices de confianza estadística.

Estructura del Repositorio

• web_app/: Contiene el código fuente de la aplicación y la lógica de inferencia.
• model/: Almacena los pesos y las configuraciones de los modelos entrenados.
• uploads/: Directorio destinado al almacenamiento temporal de imágenes procesadas.

---

Proyecto GLORIA - Desarrollo de herramientas tecnológicas para la sostenibilidad marina.