\n
![](\"https:\/\/agromt.news\/wp-content\/uploads\/2025\/12\/Estudo-aplica-inteligencia-artificial-na-reproducao-do-pirarucu.jpg\")
<\/p>\n
\n<\/p>\n
A Embrapa Pesca e Aquicultura est\u00e1 utilizando intelig\u00eancia artificial de forma in\u00e9dita para estudar o comportamento reprodutivo do pirarucu (Arapaima gigas<\/em>). A pesquisa, desenvolvida em parceria com a Universidade Federal de Minas Gerais (UFMG<\/a>), adapta t\u00e9cnicas j\u00e1 usadas na an\u00e1lise comportamental de roedores para a realidade da aquicultura. <\/p>\n O objetivo \u00e9 aumentar a previsibilidade da reprodu\u00e7\u00e3o do maior peixe amaz\u00f4nico e abrir caminho para novas aplica\u00e7\u00f5es tecnol\u00f3gicas na cria\u00e7\u00e3o. <\/p>\n O uso de IA na piscicultura ainda \u00e9 muito recente no Brasil, a maior parte das pesquisas em intelig\u00eancia artificial est\u00e1 concentrada em \u00e1reas como sa\u00fade, agroneg\u00f3cio de gr\u00e3os, pecu\u00e1ria e estudos biom\u00e9dicos.\u00a0 <\/p>\n \u201cAplica\u00e7\u00f5es em piscicultura, especialmente com esp\u00e9cies nativas como o pirarucu, representam uma nova fronteira\u201d, destaca o professor da UFMG Cleiton Aguiar, parceiro do projeto. <\/p>\n Ele acrescenta que esse tipo de abordagem de rastreamento comportamental automatizado no pa\u00eds coloca o projeto em uma posi\u00e7\u00e3o pioneira na integra\u00e7\u00e3o de tecnologia de ponta com a produ\u00e7\u00e3o aqu\u00edcola.<\/p>\n Ao rastrear automaticamente os movimentos do pirarucu em grava\u00e7\u00f5es de v\u00eddeos, a IA possibilita mensurar comportamentos como deslocamento, tempo de atividade, intera\u00e7\u00f5es e at\u00e9 detectar padr\u00f5es relacionados ao estado de sa\u00fade ou ao ambiente de cultivo. <\/p>\n Em vez de depender apenas da observa\u00e7\u00e3o humana, que \u00e9 limitada e subjetiva, a intelig\u00eancia artificial gera dados quantitativos, cont\u00ednuos e padronizados, facilitando o acompanhamento da produ\u00e7\u00e3o e a tomada de decis\u00f5es no manejo.<\/p>\n No caso da pesquisa da Embrapa, 12 c\u00e2meras foram instaladas em 12 viveiros escavados, filmando durante o per\u00edodo de luz solar, das 6h \u00e0s 18h. A cada subida do pirarucu, que \u00e9 um peixe de respira\u00e7\u00e3o a\u00e9rea, a IA detecta e faz uma marca\u00e7\u00e3o com um ponto na imagem do viveiro.<\/p>\n \u201cA m\u00e1quina conta quantas vezes o pirarucu sobe e faz uma planilha de Excel com dia, hora e as coordenadas do viveiro onde houve a apari\u00e7\u00e3o do peixe\u201d, explica Lucas Torati, pesquisador da Embrapa Pesca e Aquicultura.<\/p>\n O modelo adota treinamento de redes neurais profundas para que a m\u00e1quina consiga identificar automaticamente a subida do pirarucu na superf\u00edcie.<\/p>\n Primeiro, s\u00e3o marcados os quatro cantos do viveiro e onde o peixe aparece na superf\u00edcie. Isso \u00e9 feito para v\u00e1rias imagens e, na sequ\u00eancia, a rede \u00e9 treinada para aprender o que \u00e9 um peda\u00e7o do peixe e o que \u00e9 um canto do viveiro.<\/p>\n \u201c\u00c9 como treinar um c\u00e9rebro virtual, a partir de cerca de 200 quadros. Essa t\u00e9cnica de aprendizado de m\u00e1quina, ou machine learning, faz com que ela consiga analisar os v\u00eddeos com base nos padr\u00f5es ensinados, que s\u00e3o os viveiros e as partes do corpo dos peixes (cabe\u00e7a, tronco e cauda)\u201d, explica Torati.<\/p>\n Ele acrescenta que durante esse trabalho de aprendizado de m\u00e1quina, deve-se levar em conta as varia\u00e7\u00f5es clim\u00e1ticas e de luminosidade dos viveiros para que a m\u00e1quina consiga fazer a an\u00e1lise das imagens em todas as condi\u00e7\u00f5es. <\/p>\n \u201cPara isso, \u00e9 necess\u00e1rio utilizar imagens com diferentes condi\u00e7\u00f5es de incid\u00eancia luminosa (manh\u00e3, sol do meio-dia e entardecer) e quadros em diferentes condi\u00e7\u00f5es clim\u00e1ticas (sol nublado, chuva, c\u00e9u aberto). \u00c9 um treinamento longo e minucioso para que a m\u00e1quina possa depois analisar v\u00eddeos em todas essas condi\u00e7\u00f5es\u201d, pontua o pesquisador.<\/p>\n Segundo o professor da UFMG, as redes neurais profundas (deep neural networks) s\u00e3o modelos computacionais inspirados no funcionamento do c\u00e9rebro, compostos por v\u00e1rias camadas de processamento que permitem aprender representa\u00e7\u00f5es complexas a partir de dados.<\/p>\n Na pesquisa da Embrapa, a ideia \u00e9 mapear a forma\u00e7\u00e3o do ninho formado pelo casal de pirarucus. Esse momento \u00e9 crucial para os produtores, que preferem recolher os alevinos o mais cedo poss\u00edvel. \u201cAp\u00f3s a implanta\u00e7\u00e3o de horm\u00f4nio nos peixes, eles se reproduzem e formam o ninho para que a f\u00eamea possa depositar ovos, a serem fertilizados pelo macho\u201d, esclarece Torati.<\/p>\n Na sequ\u00eancia, h\u00e1 um comportamento t\u00edpico da esp\u00e9cie, que \u00e9 o do cuidado parental, em que o macho e a f\u00eamea ficam sempre no mesmo lugar. Outro sinal \u00e9 que o casal n\u00e3o busca mais comida. Com a intelig\u00eancia artificial ser\u00e1 poss\u00edvel identificar o momento exato em que esse processo acontece, de forma precoce.<\/p>\n \u201cSe fosse poss\u00edvel, a coleta de ovos rec\u00e9m-fertilizados, certamente, aumentaria a taxa de sobreviv\u00eancia. Geralmente, os produtores t\u00eam uma perda de milhares de alevinos, pela demora em retir\u00e1-los do viveiro\u201d, destaca o pesquisador.<\/p>\n<\/p><\/div>\nRedes neurais profundas<\/strong><\/h3>\n
Detec\u00e7\u00e3o precoce de alevinos<\/strong><\/h3>\n