Las aguas del archipiélago canario, hábitat clave para el cachalote, son escenario de un proyecto que busca prevenir colisiones entre cetáceos y ferris. La iniciativa, en la que colaboran ARQUIMEA Research Center, la Universidad de La Laguna (ULL) y Fred. Olsen Express, desarrolla un sistema de detección temprana basado en Inteligencia Artificial y fusión de imágenes.

La iniciativa combina cámaras térmicas y ópticas con algoritmos de Inteligencia Artificial. La solución utiliza Deep Learning para reconocer patrones complejos y distinguir a los cachalotes (Physeter macrocephalus) de otros elementos como olas o embarcaciones. Según los desarrolladores, el sistema es capaz de procesar imágenes a gran velocidad y adaptarse a nuevas condiciones gracias al reentrenamiento con datos humanos.

Las pruebas realizadas han permitido evaluar la tecnología y apuntan a resultados prometedores. Sin embargo, los investigadores señalan que la detección automática desde ferris rápidos presenta retos técnicos debido a la velocidad de estas embarcaciones y a condiciones adversas como mar agitado, niebla o calima. La falta de datos para entrenar los algoritmos es otro obstáculo a superar.

Sensores multimodales

El proyecto se ha centrado en varios hitos: la selección de sensores multimodales, la recolección de datos mediante campañas de avistamiento realizadas por la ULL, el desarrollo de tecnologías avanzadas de fusión de imágenes y la validación de un demostrador tecnológico.

La fusión multimodal combina imágenes térmicas y visuales para mejorar la detección en superficie, mientras que la fusión multifocal integra sensores con diferentes campos de visión —desde gran angular hasta teleobjetivos— para ampliar la vigilancia y detectar animales a distintas distancias.

Actualmente, los responsables buscan financiación para escalar esta tecnología y convertirla en una herramienta operativa de conservación marina, no solo en Canarias, sino también en otros entornos donde habitan grandes cetáceos.