Gracias a una secuencia de videos de bacterias del fondo marino, previamente clasificados por Sernapesca, se pudo entrenar un modelo para predecir la aparición de bacterias. Existía un problema de clasificación, había que clasificar imágenes para poder entrenar un modelo. En una primera instancia esto se hizo manualmente, analizando muchas secuencias de video una por una y catalogando dónde aparece la bacteria y en qué tiempos en particular aparece, pero surgió otro problema, la aparición de la bacteria es muy breve a lo largo del video.

El siguiente paso fue evaluar los resultados, estos debían ser transformados para indicar cuando hay bacterias y cuando no las hay. En la fase de entrenamiento se tenían imágenes con bacterias e imágenes sin esta, de esta manera se pudo entrenar una base de datos con una gran cantidad de imágenes con y sin bacterias.

La red neuronal permite entrenar datos que son realmente complejos, si usáramos metodologías clásicas de machine learningno seríamos capaces de detectar esto porque las imágenes tienen condiciones muy distintas entre una y otra.
El mejor rendimiento que obtuvimos fue de una precisión del 91% y una precisión de validez del 87%.

El algoritmo predice en las imágenes la presencia o no de la bacteria. Pero el algoritmo se puede equivocar, es por esto que el algoritmo entrega una probabilidad de que aparezca la bacteria. Una vez que se determina esta probabilidad, se define un umbral, sobre cierto umbral o bajo cierto umbral está o no está.

Podríamos pensar que el clasificador se equivoca, pero lo que hacemos es tomar una secuencia de tiempo que llamamos slidingwindow, en esa secuencia podemos capturar los últimos frames de video y luego clasificar según probabilidad de presencia o no. No se clasifica un frame o una imagen, en realidad es una secuencia temporal de imágenes.

Es clave encontrar esta bacteria porque tiene relación con lo que está sobre el lecho marino y la contaminación. El output de nuestro demo es que finalmente nosotros podemos decirle a Sernapesca en qué segundo o en qué momento del video hay presencia de la bacteria beggiatoa, de esta manera los funcionarios de Sernapesca no deben revisar todo el material, sino que pueden dirigirse a los frames señalados por el algoritmo, lo que genera un ahorro de tiempo al fiscalizador y una mejora en sus procesos internos.

Presentación de Resultados

Innovando con Datos: Fortaleciendo la Innovación Pública