La combinación de inteligencia artificial y fusión de imágenes térmicas y visuales contribuye al proceso en marcha de conseguir detección temprana de cetáceos para prevenir colisiones en alta mar.

Las Islas Canarias, un archipiélago extraordinario por su biodiversidad marina, enfrentan un desafío crítico: la convivencia del tráfico marítimo en nuestras aguas con las poblaciones de grandes cetáceos, en particular cachalotes (Physeter macrocephalus), una especie vulnerable que utiliza estas aguas como hábitat clave para su reproducción. 

Con el objetivo de disminuir la probabilidad de incidentes, ARQUIMEA Research Center, en colaboración con la Universidad de La Laguna y Fred. Olsen Express, en el marco del programa LIFE IP INTERMARES, coordinado por la Fundación Biodiversidad, ha avanzado en el desarrollo de nuevas soluciones tecnológicas. La tecnología trabajada integra fusión multimodal y multifocal de datos obtenidos con cámaras térmicas aportadas al proyecto por Fred. Olsen Express, junto con avanzados algoritmos de Deep Learning. Gracias a la Inteligencia Artificial, supone un avance hacia la posibilidad de detección automática de cetáceos y, con ello, facilita la prevención de posibles colisiones marítimas. 

La prueba de concepto desarrollada ha permitido evaluar la aplicabilidad de la tecnología con resultados prometedores, así como identificar líneas de mejora. Actualmente se está trabajando para encontrar fuentes de financiación que permitan escalar esta solución y convertirla en una herramienta operativa para la conservación marina en las Islas Canarias y otros lugares del mundo. 

Aunque la inteligencia artificial ha evolucionado enormemente en los últimos años, la detección automática de cetáceos desde ferris rápidos presenta enormes desafíos debido a la velocidad y movimientos de estas embarcaciones, que requieren identificar los animales con suficiente antelación en condiciones muy variables y adversas, como mar agitado, niebla o calima, habituales en el archipiélago. Además, la escasez de datos para entrenar sistemas avanzados de inteligencia artificial dificulta aún más esta tarea. 

Solución basada en Deep Learning 

Trabajos previos han enfocado la solución con técnicas clásicas de visión por computador como un problema de detección de cambios de contraste, ya que el soplo del cetáceo aparece en la imagen térmica como una característica de alta intensidad. Este enfoque a menudo resulta insuficiente por la existencia de otros eventos que pueden producir picos de intensidad similares. 

Para superar estas barreras, la solución desarrollada por ARQUIMEA Research Center se basa en el uso de Deep Learning, una rama avanzada de la inteligencia artificial, que permite además: 

• Aprender y reconocer patrones complejos, diferenciando con precisión a los cachalotes de otros elementos del mar, como olas o embarcaciones. 

• Procesar imágenes a gran velocidad, habilitando su uso en aplicaciones en tiempo real para detección automática. 

• Fusionar datos térmicos y visuales, proporcionando una información más completa y permitiendo una detección más robusta. 

• Adaptarse y mejorar continuamente, ya que, si introducimos feedback humano durante la operación, el sistema puede reentrenarse y mejorar con esta nueva información. 

¿Qué es la fusión multimodal? 

La fusión multimodal combina información procedente de imágenes térmicas (cámaras infrarrojas o IR) y visuales (cámaras ópticas tradicionales) para obtener una detección más precisa y robusta de los cetáceos en superficie. Cada tipo de imagen aporta información complementaria: mientras que la imagen térmica resalta el contraste del soplo o el cuerpo del animal con el entorno, las imágenes visuales permiten capturar detalles adicionales para reducir falsas alertas. Esto es especialmente importante en ambientes cálidos y templados como las Islas Canarias, donde el contraste térmico es menor que en zonas más frías. 

¿Qué es la fusión multifocal? 

La fusión multifocal combina información de sensores con diferentes campos de visión: sensores gran angulares para distancias cortas y medias, y teleobjetivos para detección lejana. Esta combinación permite ampliar el área de vigilancia y mejorar la detección a largas distancias. 

Innovación tecnológica al servicio de la conservación 

“El uso de técnicas de Deep Learning de detección mediante fusión multimodal y multifocal supone una evolución tecnológica clave: al combinar imágenes térmicas y visuales, conseguimos superar las limitaciones de ambas tecnologías por separado, logrando una detección mucho más fiable y efectiva”, destacan desde ARQUIMEA Research Center. 

Principales hitos del proyecto 

• Selección de sensores: amplio estudio de los requerimientos y selección de un sistema de sensores ópticos multimodal y multifocal adecuado. 

• Recolección de datos: campañas de avistamientos realizadas por la Universidad de La Laguna para producir un conjunto de datos único para detección multimodal de cetáceos. 

• Desarrollo de tecnologías avanzadas: sistemas de fusión multimodal y multifocal integrados con inteligencia artificial. 

• Evaluación y validación de la solución: desarrollo de un demostrador tecnológico para la evaluación de la solución. 

Los trabajos se han realizado en el marco del programa LIFE IP INTEMARES, coordinado por la Fundación Biodiversidad. 

Conciencia y acción colectiva 

Más allá de la tecnología, este proyecto es una llamada a la acción: proteger a los cachalotes y permitir su convivencia con el tráfico marítimo es una responsabilidad de todos. La colaboración público-privada permite la fusión entre ciencia, innovación tecnológica y conciencia social, ofreciendo una oportunidad real para preservar la biodiversidad marina en las aguas de Canarias. 

Presente y futuro de la detección de cetáceos 

Este proyecto representa un avance significativo en el estado del arte de la detección térmica de cetáceos, validando técnicas novedosas de fusión multimodal basadas en Deep Learning y abordando desafíos técnicos como la escasez de datos.