Back

Detectando troncos con redes neuronales artificiales. ¿Qué tan difícil puede ser?

¿Cuán difícil es la detección de troncos de madera?

Hablando sobre el Timbeter y sobre las detecciones, generalmente nos preguntan: "¿Cuán complicado puede ser ese proceso? ¿No es sólo encontrar los círculos en las imágenes?"


Sin embargo, la vida real puede ser un poquito más complicada, porque:

  • Los troncos generalmente no son completamente circulares

  • Por lo general, están obstruidos por otros objetos, como hojas, restos de cáscara o incluso por la cinta de referencia

  • Las condiciones de iluminación pueden hacer que la detección de los bordes sea difícil

  • La detección puede no saber bien qué esperar: el color de los troncos, la textura, si la corteza está visible o no

  • Otros objetos pueden tener una forma circular


Estos problemas hacen que los acercamientos geométricos simplistas sean inestables. Es ahí donde el aprendizaje de máquina entra en escena!

Aprendizaje de máquinas y redes neuronales

Los humanos aprenden observando patrones. El aprendizaje de máquina hace lo mismo: en lugar de programar reglas precisas de cómo decidir si hay un tronco de madera en una imagen, se le da al programa un montón de ejemplos de imágenes con y sin toras. Entonces intenta crear patrones que son específicos a las imágenes que contienen troncos. Estos patrones se pueden utilizar para detectar los troncos en una imagen que el programa nunca ha visto antes. Una tendencia es implementar aprendizaje de máquina con redes neuronales artificiales - inicialmente inspiradas en nuestros cerebros.

En nuestros cerebros, cada neurona envía señales eléctricas a otras neuronas y, basadas en esas señales y en reglas codificadas entre las neuronas, ellos deciden si van a reaccionar o no a algo. Aunque cada neurona tiene una tarea relativamente simple a ser hecha, como un todo, la red de neuronas actúa como un sistema increíblemente complejo. La parte más importante es que ninguna de estas reglas es fija: ellas se adaptan para hacer el cerebro más rápido cuando necesita realizar una tarea.

Como el nombre sugiere, las redes neuronales artificiales son algo similar: consisten en muchas "neuronas" agregadas a una "red". Estas "neuronas" se envían unos a otros signos, como en nuestros cerebros. La diferencia es que las neuronas aquí no son objetos físicos, pero se guardan en la memoria de un ordenador o de una tableta y las señales son sólo algunos bits flotando entre el procesador y la memoria. Como en el cerebro real, las reglas de estas señales no están explícitamente programadas, en lugar de eso ellas aprenden automáticamente usando un gran número de ejemplos.


Cómo Timbeter utiliza redes neuronales

Timbeter recientemente comenzó a usar redes neuronal como la mecánica central de su proceso de detección de troncos. Un desafío inmenso fue hacer que este proceso fuera rápido en tabletas y teléfonos sin sacrificar la precisión. Para conquistar este hecho, usamos técnicas modernas y eficientes para entrenar a las redes neuronales, las cuales nos permiten usar redes con menos neuronas. Todo esto aceleró el proceso de detección mientras alcanzaba mejores niveles de detección.


Estamos desarrollando un detector por aproximadamente cuatro años y, durante todo ese tiempo, nuestro detector ha ido mejorando continuamente. A partir de ahora, estamos experimentando novedades para madurar este proceso.


¡Quedate atento!



If you like this, feel free to share!