Plancton Andino inicia reconocimiento automático de algas nocivas con Machine Learning

En base a la librería de imágenes de FlowCam y de microscopia óptica, el Data Scientist de Plancton Andino, 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 Programa Oceanográfico y Ambiental en Salmónidos (POAS) y del Programa de Sanidad de Moluscos Bivalvos (PSMB) de la compañía.

Esto, con el objeto de aportar conocimiento y reconocimiento automático de algas nocivas, con énfasis en aquellas que generan problemas en el sur de Chile, informa la compañía mediante un comunicado de prensa. Este primer modelo logró un 90% de exactitud, sin embargo, sólo 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, como la generación de imágenes sintéticas, sub-muestreo, penalización a las clases abundantes, entre otras técnicas”, detallaron desde Plancton Andino.

“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”, manifestaron desde Plancton Andino.