MOTIA 3

Aplicación de técnicas de industria 4.0 a la producción de mosquitos tigre para la Técnica del Insecto Estéril

Sector
Industria 4.0
Salud
Inicio
01/07/2023
Fin
30/06/2024

Presentación

En este proyecto se pretende continuar con las tecnologías trabajadas en las anualidades anteriores, ya sea aplicándolas a nuevos ámbitos y casos de estudio, o avanzando en su desarrollo para las aplicaciones tratadas anteriormente. Es así como, el propósito principal de este proyecto es proponer, investigar e implementar técnicas de Industria 4.0 basadas en inteligencia artificial para su posible aplicación e incorporación en proyectos agroindustriales tales como técnicas para el control biológico de plagas, detección automática de insectos en imágenes de trampas de campo para la detección temprana de plagas o maquinaria de clasificación y triaje de productos agroalimenticios. Los objetivos generales planteados son: 

  • Investigar sobre algoritmos de IA basados en SNNs para la detección, seguimiento y conteo de objetos con información proveniente de sensores neuromórficos, implementándolos y validarlos con datos captados en entornos industriales.
  • Utilizar algoritmos semi-supervisados y no-supervisados para detección de anomalías sonoras basados en deep learning que tengan en cuenta el fenómeno de domain shift, y aplicarlos a la detección de hembras en recipientes de liberación de la TIE.
  • Utilizar algoritmos de visión por computador, basados en IA, para la detección y clasificación de insectos en de trampas de campo.

Una vez alcanzados los objetivos técnicos del proyecto se transferirán y promocionarán los resultados. En primer lugar, al sector involucrado más directamente: el relacionado con clasificación, seguimiento y conteo de insectos para control de plagas. En el caso de este sector, si bien se han propuesto técnicas para entornos de producción, las mismas se podrían plantear para su implantación en entornos silvestres; de hecho, ya se ha propuesto la implantación de cámaras basadas en eventos en drones. 

Objetivos

El propósito principal de este proyecto es proponer, investigar e implementar técnicas de Industria 4.0 basadas en inteligencia artificial para su aplicación e incorporación en proyectos agroindustriales tales como técnicas para el control biológico de plagas, detección automática de insectos en imágenes de trampas de campo para la detección temprana de plagas o maquinaria de clasificación y triaje de productos agroalimenticios. Se explorarán diversas tecnologías que, una vez validadas en este proyecto, podrán ser transferidas a otros sectores y actividades: 

  • Procesado, basado en SNNs, de datos provenientes de sensores de visión neuromórficos.
  • Algoritmos semi-supervisados y no-supervisados que tengan en cuenta el cambio de dominio (domain shift) basados en deep learning para la detección de anomalías sonoras. 
  • Técnicas de visión por computador basadas en IA para la detección y clasificación de insectos en imágenes de trampas de campo.

 

Es así como los objetivos generales del proyecto son: 

 

  • Investigar sobre algoritmos de IA basados en SNNs para la detección, seguimiento y conteo de objetos con información proveniente de sensores neuromórficos, implementándolos y validarlos con datos captados en entornos industriales. En la anualidad anterior se trabajó con DNNs tradicionales (no spiking) y se comenzó el trabajo con SNNs. En esta anualidad se trabajará con librerías de SNNs que no se utilizaron en la anualidad anterior, pero que son muy relevantes de cara a una futura implementación de SNNs en hardware propiamente neuromórfico. Estas librerías son LAVA, de Intel, y las librerías del fabricante de hardware neuromórfico Synsense.

 

  • Utilizar algoritmos semi-supervisados y no-supervisados para detección de anomalías sonoras basados en deep learning y aplicarlos a la detección de hembras en recipientes de liberación de la TIE. En las anualidades anteriores de este proyecto se trató esta temática trabajando con técnicas de clustering y distancias a los centroides dentro del espacio de características (2021/22) o con algoritmos de machine learning (ML) supervisados y no supervisados tales como XGBOD6 (2022/23). En esta anualidad se pretende aplicar nuevos algoritmos basados en deep learning que tengan en cuenta el cambio de dominio (domain shift) y el mismatch en la distribución de los datos y las dificultades prácticas para el etiquetado y la identificación de las muestras consideradas anómalas. El caso del cambio de dominio y el mismatch es importante porque, según se ha podido comprobar en las muestras recogidas en las anualidades anteriores, el comportamiento de los mosquitos es distinto dependiendo de factores tales como de la hora del día, la estación del año o la alimentación que haya recibido. Estas dependencias se reflejan claramente en distintos patrones de vuelo. La dificultad en el etiquetado de las anomalías, en este caso, está relacionado con la dificultad de identificar el momento exacto en el que se produce el vuelo de una mosquita hembra dentro de un recipiente de liberación, por lo que es difícil saber si un determinado segmento de audio contiene el vuelo de una hembra, o no lo contiene. 

 

  • Utilizar algoritmos de visión por computador, basados en IA, para la detección y clasificación de insectos en de trampas de campo. En la anualidad anterior se trabajó la detección y clasificación de huevos de mosquito en imágenes de trampas de campo tomadas dentro del laboratorio. En esta anualidad se pretende trabajar con imágenes de trampas tomadas directamente en campo por el IVIA mediante un dispositivo con capacidad de capturar y transmitir imágenes de forma autónoma y periódica. Es decir que, se tiene poco control sobre las condiciones ambientales (iluminación, etc.) en la toma de la imagen. Además, para el caso de la detección y clasificación de huevos de mosquito tigre en trampas de campo con imágenes de las mismas tomadas en el laboratorio, se analizarán otras casuísticas no trabajadas en la anualidad anterior, tales como las diferencias observadas en trampas recién recogidas o las trampas post-tratadas para provocar la eclosión de los huevos.

Entidades financiadoras

Entidad:
IVACE (Instituto Valenciano de Competitividad Empresarial)
Nº Expediente:
IMDEEA/2023/87

Noticias relacionadas

La UME ha visitado ITI para conocer nuevas aplicaciones tecnológicas en el sector de la seguridad
Visita Técnica 

La UME e ITI han organizado esta jornada con el objetivo de debatir sobre los principales retos y el rol crucial de las tecnologías de comunicación en el ámbito de las...

ITI desarrolla una herramienta para acabar con la desigualdad presente en la Inteligencia Artificial
Igualdad, Inteligencia artificial 

ITI celebra el Día Mundial de Internet con avances en el proyecto europeo AEQUITAS, cuyo objetivo es garantizar que la IA no solo sea ética y legal, sino también igual...

ITI desarrolla un sistema para adoptar servicios de Inteligencia Artificial antes de 2030
Inteligencia artificial 

El proyecto INTREGRA, financiado por el Instituto Valenciano de Competitividad Empresarial (Ivace+i), pretende crear una solución única, flexible y potente para el desa...

Eventos relacionados