INICTEL-UNI ha desarrollado una aplicación que identifica 16 especies maderables y permitirá mayor eficiencia en el trabajo de los fiscalizadores que buscan el uso sostenible de nuestros recursos.
Más de la mitad del territorio del Perú está cubierto por bosques. Nuestra Amazonía, además, es una de las áreas con mayor biodiversidad del planeta; sin embargo, no es valorada en la dimensión adecuada: en 2018 y 2019 (aún no están disponibles los datos del 2020), nuestro país estuvo entre los cinco con mayor pérdida de bosques primarios, según datos de Global Forest Watch.
Una de las principales causas de este fenómeno es la explotación económica descontrolada (junto a la minería y la expansión de las fronteras agrícolas y ganaderas). Para mitigarla, el SERFOR (Servicio Nacional de Flora y Fauna Silvestre) desarrolla labores de fiscalización que implican un conjunto de dificultades y retos.
Uno de ellos es lograr la identificación confiable y rápida de especies maderables para la inspección y el control del comercio de madera, actividades indispensables para asegurar el uso sostenible y responsable de dicho recurso. Las técnicas usadas hasta el momento no son eficientes; sin embargo, para el Instituto Nacional de Investigación y Capacitación de Telecomunicaciones — INICTEL-UNI, estos desafíos pueden enfrentarse con ciencia y tecnología.
PROPUESTA
El instituto desarrolló un sistema para la identificación de especies maderables. Una red neuronal que puede ser ejecutada desde un celular capaz de reconocer 16 tipos de madera (las de mayor impacto económico en el Perú) en conjuntos abiertos.
“Desde el SERFOR nos indicaron que tenían este gran problema en sus labores de fiscalización. La gran diversidad de maderas, el parecido entre diferentes especies y los cambios que sufren desde que son taladas hasta que son registradas, dificultan su identificación”, nos cuenta el Dr. Samuel Huamán, coordinador y líder del grupo investigación de Procesamiento de Señales, Imágenes e Inteligencia Artificial, en la Dirección de Investigación y Desarrollo Tecnológico del INICTEL-UNI.
“En esta circunstancia, no se puede verificar eficientemente que la madera que sale de las zonas autorizadas para la explotación sea la misma que está declarada formalmente, muchas veces explotan este recurso en áreas protegidas o talan especies no permitidas. Es un problema grande que produce más de 100 millones de dólares de pérdidas cada año”, agrega.
INTELIGENCIA ARTIFICIAL
El sistema creado alcanzó una exactitud del 91% en el laboratorio. ¿Cómo lo lograron?
A partir de muestras de las maderas proporcionadas por el SERFOR y la Universidad Nacional Agraria La Molina, el equipo del INICTEL comenzó por entrenar a la red neuronal.
“Le mostramos a la red qué es lo que debe hacer: le enseñamos a relacionar diversas características visuales de la madera (a una escala muy pequeña) con la especie correcta, previamente identificada por un especialista”.
Así, en total se generaron aproximadamente 6 mil imágenes de maderas en distintas condiciones de distancia focal, corte e iluminación para que la red identifique patrones comunes para cada especie a pesar de dichas variaciones circunstanciales.
“Introducimos una muestra al azar, la red neuronal la compara con las anteriores y va ajustando sus parámetros internos. El proceso continúa hasta que estos parámetros convergen en ciertos valores; es decir, hasta que dejan de cambiar. En términos sencillos, en ese momento podemos decir que la red ya aprendió”.
OPTIMIZACIÓN
La siguiente etapa del trabajo consiste en lograr que este sistema pueda funcionar eficientemente en un celular para que pueda ser usado en el campo, en condiciones reales de trabajo.
“Es un trabajo multidisciplinario”, enfatiza el Dr. Huamán. “La diversidad de áreas del conocimiento que confluyen para hacer más eficiente un sistema va desde las ciencias de la computación, matemática aplicada, ingeniería electrónica, física, hasta especialistas forestales”.
Entonces, se comienza por reducir el código al mínimo indispensable, controlando no afectar su eficacia. No solo se considera su funcionamiento, sino el consumo de recursos del dispositivo en el que está instalado. Para hacerlo, se hacen pruebas en Raspberry Pi3B+, un sistema embebido de bajo coste, muy usado por desarrolladores.
“Ahí lo fuimos optimizando para que no se recaliente, y para que los tiempos de respuesta sigan siendo los adecuados, en segundos”.
CÓMO FUNCIONA
Así, en la segunda mitad del 2019, el sistema pudo ser probado por primera vez en dispositivos móviles. El resultado fue exitoso.
La aplicación funciona junto a un pequeño dispositivo: un lente con luz que se superpone a la cámara del celular y amplifica la imagen hasta alcanzar la pequeña escala con la que entrenaron la red neuronal. Por otro lado, la luz ayuda a homogeneizar las fotografías.
Una vez capturada la imagen, esta se divide en 6 o 7 muestras que son analizadas por la red. Si la mayoría de estas muestras es reconocida como una de las 16 especies, la aplicación responde con la identificación y el porcentaje de certeza.
“Además, hemos trabajado para el reconocimiento en conjuntos abiertos, para que el sistema diferencie las 16 especies de cualquier otro objeto, de lo contrario, el software identificaría cualquier imagen como una madera”.
PENDIENTES
“Hay mucho por hacer”, añade el Dr. Huamán. “En el futuro este software estará disponible para ser descargado libremente. Así buscamos retroalimentación y experiencia en el campo que nos permitirá corregir errores y seguir avanzando en la solución de este tipo de problemas y en el desarrollo de la inteligencia artificial y el procesamiento de imágenes”.
Puede conocer los dos artículos publicados en el marco de este trabajo en los siguientes enlaces: Apolinario, M., Urcia, D. and Huaman-Bustamante, S. G.: Open Set Recognition of Timber Species Using Deep Learning for Embedded Systems. In: IEEE Latin America Transactions: Special Issue on Deep Learning. DOI: 10.1109/TLA.2019.9011545.
Apolinario M.P., Huamán S.G., Clostre G.: Deep Learning Applied to Identification of Commercial Timber Species from Peru. In: IEEE XXV International Conference on Electronics, Electrical Engineering and Computing (INTERCON), 2018. DOI: 10.1109/INTERCON.2018.8526457.
Artículo de divulgación científica elaborado gracias al apoyo del Programa de Responsabilidad Social Universitaria (RSU-UNI) a través de su eje de apoyo a la investigación.