El sistema del centro tecnológico vasco, diseñado en el marco del proyecto Ecopool y ‘entrenado’ en las instalaciones de Tekniker, permite detectar en tiempo real el número de usuarios dentro del agua en piscinas interiores y mejorar su gestión energética.
Los modelos de Inteligencia Artificial no solo están pensados para las soluciones más complejas y sofisticadas. A través de técnicas de aprendizaje automático como el Deep Learning se pueden obtener soluciones capaces de realizar, agilizar y perfeccionar tareas tan cotidianas como el conteo de personas en piscinas y mejorar la gestión energética de estos espacios.
El centro tecnológico Tekniker ha utilizado estas técnicas de IA en el marco del proyecto Ecopool con el objetivo de crear un modelo de Deep Learning embebido en un mini PC de alto rendimiento para detectar en tiempo real el número de usuarios de las piscinas interiores.
En concreto, el modelo de Deep Learning resultante se aplica en la gestión de las piscinas para conocer en tiempo real el número de bañistas en las piscinas interiores 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 la Covid-19.
Para desarrollar esta tecnología, el centro ha seguido una metodología que ha comenzado con la generación de un nuevo conjunto de datos (dataset) con imágenes de alta resolución. Y 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.
El proyecto Lifeguard-io, que utiliza técnicas de visión por computador y Machine Learning para la detección de personas que se están ahogando, proporcionó a los investigadores el dataset más cercano para una solución para Ecopool.
Para poder generar el modelo de conteo de personas y poder calcular la duración del baño de cada bañista 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 a las personas, y asignar la etiqueta de ese objeto.
Debido a que el dataset de imágenes del que se disponía era pequeño en cuanto a términos de variabilidad, el equipo de expertos se centró en la aumentación de datos, una técnica que genera nuevos datos para mejorar el entrenamiento de la red neuronal del modelo de Deep Learning introduciendo ciertas perturbaciones y variaciones en las imágenes originales.
En concreto, los expertos de Tekniker han aplicado técnicas de recorte de imagen, rotaciones, traslaciones, efecto espejo, perturbaciones de píxeles, cambios en contrastes, distorsiones entre técnicas, etc. para conseguir aumentar considerablemente el dataset de imágenes.
Finalmente, 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 para el entrenamiento de modelos situado en las instalaciones de Tekniker para el entrenamiento del modelo en un sistema local. Y, por otro, se ha contratado una máquina en la nube para el entrenamiento del modelo en un servidor con características de computación superiores.
El proyecto Ecopool cuenta con la participación de Tekniker, la ingeniería Dinycon Systems, el centro tecnológico Gaiker y la empresa Giroa.