Profesionales de Plancton Andino inician reconocimiento de algas usando Machine Learning

Categoría de nivel principal o raíz: Home
Creado: 03.11.2020

 

En base a la librería de imágenes de FlowCam y de microscopia óptica, el data scientist Martin Contreras creó un modelo de “machine learning” de redes neuronales artificiales profundas (Deep Learning) para la clasificación de células del fitoplancton del sur de Chile del POAS y PSMB, con el objeto de aportar conocimiento y reconocimiento automático de algas nocivas, con énfasis en aquellas que generan problemas en el sur de Chile.  Se adjunta videos y detalles del modelo.

Este primer modelo logró un 90% de exactitud, sin embargo, solo está entrenado en ciertas especies objetivo, de las cuales se posee imágenes en cantidad suficiente en el laboratorio de la empresa. Aumentar el dataset de clases de especies, es parte de los objetivos futuros, para así lograr un modelo más robusto, que pueda generalizar correctamente las diversas especies de fitoplancton.


Afrontar el desafío de clasificar imágenes de fitoplancton automáticamente, no es una tarea sencilla. Surgen diversos desafíos, tales como trabajar con clases de fitoplancton con más imágenes que otras (“class imbalances”), para lo cual se deben optar por diversos enfoques, cómo la generación de imágenes sintéticas, sub-muestreo, penalización a las clases abundantes, entre otras técnicas.

Este primer resultado es prometedor y nos acerca al objetivo de clasificar automáticamente el fitoplancton. Sin embargo, queda mucho por hacer y para aquello se necesita apoyo de nuestros clientes, CORFO, entre otros.

 Ver video en YouTube.