ARIM – Autonomous Robotic Sea-Floor Infraestructure
Deusto Seidor
Sector: Industria
Business Case
Deusto SEIDOR se encarga en el marco de un proyecto europeo del desarrollo de un software de visión artificial encargado de la detección, clasificación y conteo automático de especies bentopelágicas (que habitan cerca del fondo) a partir de imágenes obtenidas tanto en observatorios acuáticos (LoVe Observatory) como desde robots autónomos acuáticos (crawler).
Objetivos
El objetivo general del proyecto es establecer una infraestructura robótica de monitorización y análisis automático de los fondos marinos, para poder analizar de la biodiversidad de fondo marino existente en un área definida, con el objetivo de poder valorar el impacto ecológico antes de llevar a cabo actividades oil & gas en los fondos marinos.
Use case
Actualmente este análisis de imágenes lo realizan personas expertas en biología marina de manera manual, visualizando los vídeos y anotando las especies identificadas. Para evitar este tedioso trabajo, se ha desarrollado un servicio en el que se indica la ubicación de los vídeos y ejecuta un proceso de análisis y conteo de especies detectadas, devolviendo un informe de resultados.
Infraestructura
Cloud.
Tecnologías utilizadas
Computer Vision, Machine Learning y Deep Learning.
Datos utilizados
Lofoten-Vesterålen Ocean Observatory (LoVe Observatory) en el Mar de Noruega (https://loveocean.no/about-love).
Dataset fondo marino recopilado por el crawler Rossia 3000 en las costas de Canadá (propiedad del ICM-CSIC)
Recursos utilizados
Personal Investigador de Deusto SEIDOR para la definición de modelos de Visión Artificial y personal investigador del Instituto de Ciencias del Mar (ICM-CSIC) para la definición y etiquetado de los datasets.
Infraestructura CPD de alto rendimiento de SEIDOR para entrenamiento y servicio de inferencia en CPD de SEIDOR.
Dificultades y aprendizaje
Dificultad para la obtención del dataset del clawler y el etiquetado en colaboración con los investigadores del ICM-CSIC, para lo cual se tuvo que desarrollar un herramienta específica que permitiera el etiquetado en remoto de los diferentes investigadores.
KPIs (impacto en el negocio y métricas del modelo)
Confusion matrix.
AUROC.
Loss + accuracy.
Financiación
Financiado con fondos europeos (Era-Net) a través del CDT.
Colaboradores
Institute of Marine Research (Noruega), Metas AS (Noruega), GEOMAR Helmholtz Centre for Ocean Research (Alemania), iSeaMC (Alemania), Kraken Robotik (Alemania), ICM-CSIC (España).
