Tekniker, centro integrado en Basque Research and Technology Alliance (BRTA), ha utilizado técnicas de IA en el marco del proyecto Ecopool con el objetivo de crear un modelo de deep learning (aprendizaje profundo basado en redes neuronales) para detectar en tiempo real el número de personas que están utilizando una piscina interior.

El modelo de deep learning resultante se aplica en la gestión de las piscinas para conocer en tiempo real el número de bañistas y, según los datos obtenidos, controlar la temperatura del agua, reducir el uso de reactivos y limitar la energía necesaria para el tratamiento del agua.

Además, el sistema podrá facilitar la tarea de medir los aforos de estos espacios públicos y privados durante la pandemia de covid-19.

Etiquetado de las imágenes

Para desarrollar esta tecnología, se ha seguido una metodología que comenzó con la generación de un conjunto de datos (dataset) con imágenes de alta resolución. Para aumentar su variabilidad, se realizó una búsqueda de conjuntos de datos similares para generalizar y robustecer la repuesta de la red neuronal convolucional entrenada, tal como ha indicado el centro este martes.

«No hemos encontrado muchas referencias sobre dataset públicos de personas en piscinas, pero el más cercano a la problemática de Ecopool es el proporcionado por Lifeguard-io, un proyecto para la detección de personas que se están ahogando y que utiliza técnicas de visión por computador y machine learning (aprendizaje automático), por lo que hemos tenido que generar un dataset propio ajustado a la problemática», ha explicado Aitor Gutiérrez, investigador de Tekniker.

Para poder generar el modelo de conteo de bañistas y calcular la duración del baño de cada persona se ha llevado a cabo el etiquetaje de las imágenes, en el que hay que indicar la presencia de un objeto en una imagen, en este caso las personas, y asignar la etiqueta de ese objeto.

«Hemos contado con la herramienta de software libre LabelImg, que nos permite el etiquetaje rápido e intuitivo de imágenes», ha precisado Gutiérrez.

Entrenamiento del sistema

Una vez seleccionada la arquitectura base sobre la cual realizar el entrenamiento del modelo de deep learning, uno de los pasos más importantes ha sido la definición de las diferentes capas de las que se compone, y la selección y ajuste de los parámetros de entrenamiento de la misma, conocidos como hiperparámetros.

En el caso de la solución desarrollada en Ecopool, los modelos se han entrenado en dos sistemas con capacidades de computación diferentes.

Por un lado, se ha utilizado un PC con una tarjeta gráfica dedicada al entrenamiento de modelos situado en las instalaciones de Tekniker. Y, por otro, se ha contratado una máquina en la nube para el entrenamiento del modelo en un servidor con características de computación superiores.