RESUMO:
O estresse aquícola, provocado por fatores como má qualidade da água e manuseio invasivo, pode comprometer a homeostase dos peixes e introduzir viés metrológico nas métricas biométricas. Diante desse cenário, este trabalho propõe uma arquitetura inteligente de monitoramento multivariável que integra visão computacional, aprendizado de máquina supervisionado e inteligência artificial generativa aplicada à aquicultura de precisão. A pesquisa, de natureza aplicada, desenvolve um sistema embarcado para o monitoramento de parâmetros limnológicos e biométricos em viveiros experimentais. O sistema utiliza Raspberry Pi 4 integrado ao microcontrolador ESP32 e aos sensores DS18B20 e eletrodos de pH para aquisição dos dados ambientais. O módulo de visão computacional, desenvolvido em Python/OpenCV, realiza o processamento das imagens e a extração de métricas biométricas, como comprimento e estimativa de massa corporal, por meio de modelos alométricos. A camada de inteligência computacional, implementada com FastAPI, NumPy, scikit-learn e joblib, utiliza técnicas de soft-sensing e aprendizado de máquina para estimar parâmetros limnológicos complexos, como amônia, além de analisar tendências e relações multivariadas. Como camada complementar, a inteligência artificial generativa recebe os dados experimentais e os resultados dos modelos analíticos, produzindo interpretações técnicas em linguagem natural e relatórios para apoio à análise dos dados. Os ensaios preliminares demonstraram consistência na aquisição dos dados ambientais, desempenho satisfatório na detecção e mensuração biométrica e capacidade de integração entre os módulos de monitoramento e análise computacional. Dessa forma, o sistema consolida uma arquitetura integrada de inteligência artificial para o monitoramento não invasivo de peixes, abrangendo as etapas de aquisição, processamento, inferência, análise e interpretação dos dados.