Resumen de Detección de objetos utilizando modelos de aprendizaje profundo sobre dispositivos de edge computing
La evolución tecnológica ha permitido la automatización de tareas que antes eran impensables. Los modelos basados en aprendizaje automático han sido utilizados durante décadas, pero es en los últimos años cuando han experimentado un gran auge gracias a la popularización de las GPUs, lo que permite entrenar modelos con grandes cantidades de datos y aumentar su precisión.
En la tesis se evalúa la influencia de la complejidad de la red en los resultados, pues no siempre un incremento de la complejidad genera resultados significativamente mejores. Todo depende del problema y los conjuntos de entrenamiento disponibles. Además las redes más complejas tardan más en entrenarse y luego también tardan más en procesar cada imagen para detectar los objetos.
En función del tiempo disponible para procesar cada imagen, se podrá ejecutar el detector en una nube pública o bien será necesario usar un dispositivo de edge computing. Por otra parte, la determinación del tipo de infraestructura a contratar en la nube requiere una cuidadosa evaluación de prestaciones/coste para optimizar la explotación de un servicio de detección.
Para realizar estas evaluaciones se ha aplicado esta tecnología a tres campos: la identificación de actividades agrícolas y ganaderas mediante imágenes aéreas, la detección temprana de defectos internos en láminas de fibra de carbono y la mejora de la seguridad de los trabajadores en entornos industriales. A continuación, se comentan estos campos de aplicación.
La Unión Europea (UE) concede una serie de ayudas (Política Agraria Común) en función de la superficie trabajada. Actualmente, unos operarios deben de comprobar in situ, si efectivamente se trabaja la superficie declarada. Debido a la gran extensión de la UE, esto es un proceso largo. Uno de los objetivos de esta tesis es poder identificar elementos que justifiquen esta actividad automáticamente mediante el uso de imágenes aéreas, y así poder ahorrar tiempo y recursos. Para ello, se crea un sistema basado en un modelo de aprendizaje automático. Este modelo, es capaz de detectar la presencia de los objetos de interés definidos. Las imágenes utilizadas se encuentran georeferencias, por lo que es posible traducir los píxeles en los que se encuentran los objetos de interés a coordenadas (latitud, longitud).
En la industria, los estándares de calidad cada vez son más estrictos. Por este motivo, es necesario implementar controles que garanticen que los productos no presenten ningún tipo de defecto. Mediante la combinación de tecnología de detección de objetos con termografía activa, se consigue detectar defectos internos en láminas de fibra de carbono. Este es un material ampliamente utilizado en la industria, por lo que la temprana detección de este tipo de defectos es vital para que no se produzcan posibles accidentes.
Esta tecnología no solo permite detectar objetos estáticos en imágenes, sino que permite realizar seguimientos de objetos en movimiento. Gracias a ello se propone una aplicación que es capaz de generar alarmas cuando un trabajador no está haciendo uso de los Equipos de Protección Individuales (EPIs) establecidos. Este tipo de aplicaciones contribuyen a aumentar la seguridad de los trabajadores, ya que es imposible que los encargados de seguridad controlen toda la superficie de este tipo de instalaciones.
Este tipo de aplicaciones tiene que desplegarse en algún tipo de servidor. Sin embargo, debido a la gran cantidad de información a procesar se pueden producir cuellos de botella. Para solucionarlo, existen dos alternativas: procesar los datos en la nube o utilizar dispositivos de edge computing que sean capaces de reducir la cantidad de información necesaria a transmitir a través de la red. Tras realizar una serie de estudios utilizando la nube y dispositivos de edge computing, se llega a la conclusión que utilizar dispositivos de edge computing es más efectivo cuando el objetivo es procesar datos en tiempo real.
En conclusión, esta tesis ha demostrado que la detección de objetos mediante el uso de modelos de aprendizaje automático es una tecnología muy prometedora y versátil. Se han presentado aplicaciones en el ámbito agrícola e industrial, todas ellas con un alto impacto en la mejora de la eficiencia, seguridad en los procesos productivos, y seguridad de las personas. Además, se ha analizado la necesidad de utilizar dispositivos de edge computing en lugar de procesamiento en la nube. Esta tesis abre la puerta a futuras investigaciones y desarrollos en el campo de la detección de objetos y el aprendizaje automático, contribuyendo al avance de la tecnología y al bienestar de la sociedad.
