CIENCIAS AGRARIAS, INGENIERÍA Y DE MATERIALES

Desarrollan un sistema automático de detección y reconocimiento de escorpiones en tiempo real basado en inteligencia artificial

Es un trabajo de expertos del CONICET La Plata. Podría ser utilizado en alarmas domiciliarias o aplicaciones móviles con fines de prevención y control sanitario


Luis y Francisco Giambelluca. Foto: CONICET.

En el Gran La Plata se encuentran presentes tres especies de escorpiones: Bothriurus bonariensis, Tityus carrilloi y Tityus confluence. Las dos últimas son consideradas de importancia sanitaria, es decir capaces de generar, con su picadura, incidentes mortales. Poder detectar la presencia de estos animales y saber diferenciarlos son dos factores muy importantes para prevenir los casos de gravedad, y un equipo de profesionales del CONICET La Plata acaba de aportar una herramienta de potencial aplicación en ese sentido: un sistema de detección, clasificación y reconocimiento de escorpiones en tiempo real que puede funcionar como alarma domiciliaria, para alertar sobre la presencia del animal, o en una aplicación móvil, lo que podría ser usado por equipos médicos de emergencia para identificar al agente causante de una picadura y activar las medidas sanitarias necesarias. El primero de los trabajos que plasma los resultados fue publicado recientemente en la revista Machine Learning: Science and Technology, y otros dos están próximos a publicarse.

“Lo que presentamos es un sistema que se basa en inteligencia artificial aplicada al procesamiento de imágenes. Usamos una herramienta de deep learning, o aprendizaje profundo, es decir el uso de una gran cantidad de redes neuronales aplicadas al aprendizaje de matrices, datos o, en este caso, imágenes”, explica Francisco Giambelluca, profesional asistente del CONICET en el Instituto de Investigaciones Fisicoquímicas Teóricas y Aplicadas (INIFTA, CONICET-UNLP) y primer autor del trabajo –se encuentra realizando su doctorado en el Grupo de Control Aplicado (GCA) del Instituto de Investigaciones en Electrónica, Control y Procesamiento de Señales (LEICI, CONICET-UNLP)–, y añade: “Lo que hicimos fue alimentar a un algoritmo preestablecido con una base de datos con más de 300 imágenes de escorpiones, y de esa manera lo entrenamos para que pueda detectarlos por su forma. El sistema funciona como una ‘caja negra’; nosotros desconocemos las interrelaciones que se dan entre esas redes neuronales. Trabajamos con técnicas de lo que se conoce como data augmentation, es decir partimos de una base de datos pequeña que el sistema agranda para aprender a reconocer a los escorpiones en situaciones que no son las que se observan en las fotografías proporcionadas. Básicamente, se van creando imágenes en base a las que ya teníamos, con distintas posiciones y orientaciones, para que tenga información más sólida para la detección e identificación”, comenta.

Giambelluca habla de un algoritmo “vivo” que va incorporando conocimiento. En ese sentido, al principio los expertos le cargaron no solo imágenes de escorpiones, sino también de otros objetos, “para que pueda diferenciar lo que sí es y lo que no es un escorpión”. Luego, agregaron fotografías de poca definición para que pueda identificar la forma, y más tarde, otras de alta resolución, para que logre clasificar por género y especie. Como complemento, se utilizó también la técnica de detección por fluorescencia –algo que ya habían usado tiempo atrás en otro estudio– que aprovecha la conocida capacidad fluorescente de estos animales al ser iluminados bajo la luz ultravioleta (UV), que los muestran en un color cian brillante. Ambas estrategias de detección, por forma y fluorescencia, terminan configurando un sistema de doble validación muy eficiente mejorando la precisión de la herramienta.

Como se dijo, el objetivo es volcar la herramienta ya sea en una alarma domiciliaria o en una aplicación móvil: “Que le garantice a una persona que esté ante un espécimen la posibilidad de saber si es peligroso o no”, subraya. En principio, la base de datos en la que se basa el sistema es sobre las mencionadas especies problemáticas presentes en el Gran La Plata, pero podría aplicarse en otras regiones incorporando al sistema la información de las que habitan allí.

“La diversidad de especies de alacranes es muy grande, y la diferencia entre ellas es muy chica”, dice Luis Giambelluca, profesional principal del CONICET en el Centro de Estudios Parasitológicos y de Vectores (CEPAVE, CONICET-UNLP-asociado a CICPBA) y también autor de los trabajos, y agrega: “Por ejemplo, B. bonariensis –la especie inofensiva presente en La Plata– tiene otra coloración cuando uno la encuentra en municipios de la costa marina bonaerense o en otras provincias. Son variaciones mínimas para las que el sistema debería ser previamente entrenado antes de su implementación en otros lugares. En nuestra región, B. bonariensis es robusto, de color negro, tiene pinzas gruesas y el telson, es decir el final de la cola tiene una sola punta. Los representantes del género Tityus, en cambio, son más estilizados, con pinzas largas y finas y debajo de la cola presentan una apófisis subaculear, otra puntita. Las dos especies de este género (T. carrilloi y T. confluence) se distinguen entre sí por tres rayitas oscuras que tienen en el centro del cuerpo sobre un fondo amarillo”, explica. “Por eso es que nuestra búsqueda apunta a encontrar cuál es el mejor algoritmo para identificar esas pequeñas diferencias que al ojo humano son más sencillas de ver, pero para un software de procesamiento es más complejo”, cierra Francisco Giambelluca.

Por Marcelo Gisande.

Sobre entrevista:

Francisco Luis Giambelluca. Profesional asistente. INIFTA.

Marcelo Cappelletti. Investigador adjunto. LEICI.

Jorge Osio. LEICI.

Luis Alberto Giambelluca. Profesional principal. CEPAVE.

Referencias bibliográficas:

Giambelluca, F. L., Cappelletti, M. A., Osio, J. R., & Giambelluca, L. A. (2021). Novel automatic scorpion-detection and-recognition system based on machine-learning techniques. Machine Learning: Science and Technology, 2(2), 025018. DOI: https://doi.org/10.1088/2632-2153/abd51d

Giambelluca, F. L., Cappelletti, M. A., Osio, J., & Giambelluca, L. A. (2021). Scorpion detection and classification systems based on computer vision and deep learning for health security purposes. arXiv preprint arXiv:2105.15041. https://arxiv.org/abs/2105.15041

Giambelluca, F. L., Osio, J., Giambelluca, L. A., & Cappelletti, M. A. (2021). Novel scorpion detection system combining computer vision and fluorescence. arXiv preprint arXiv:2108.04177. https://arxiv.org/abs/2108.04177