La IA asegura las playas en tiempos de covid.

Adaptándonos a una nueva ‘normalidad’.

Debido a la pandemia global del Covid-19, es necesario mantener las medidas de precaución adecuadas, como la distancia de seguridad interpersonal, tanto en las playas como en otros espacios públicos. En los últimos años, MEO BeachCam ha sido un lugar de referencia para la comunidad surfera. Este sitio web ofrece información detallada sobre el estado del mar, temperaturas e información, incluyendo la retransmisión de vídeo en tiempo real de distintas playas.

La Agência Portuguesa do Ambiente (APA) ha decidido promover un proyecto en colaboración con BeachCam para realizar el cálculo de ocupación de las playas de Portugal y proporcionar a los ciudadanos información en tiempo semi-real sobre esta, con el objetivo de evitar aglomeraciones y favorecer la distancia interpersonal en estos espacios.

Los avances en Machine Learning, principalmente en el tratamiento de imágenes, se plantean como una buena opción. Se trata de un campo que ha evolucionado de forma exponencial en los últimos años. En Paradigma hemos desarrollado diversos proyectos en el campo de la Inteligencia Artificial, contamos con experiencia y grandes expertos entre nuestras filas.

Aportando nuestro conocimiento sobre las técnicas de Machine Learning, hemos aprovechado para combinar todos estos avances tecnológicos para diseñar un algoritmo que ha permitido realizar un conteo de personas en determinadas áreas, y así poder extrapolar los resultados para estimar de forma cualitativa la ocupación de las playas.

El gran problema para medir fue la necesidad de desplegar una infraestructura que nos aportase información a tiempo (en nuestro caso, imágenes) para implantar una solución dentro de plazos muy limitados. Aprovechar la infraestructura existente (actualmente productiva y desplegada sobre ubicaciones adecuadas), redujo drásticamente el esfuerzo de implantación.

Nos encontramos con una infraestructura que no estaba instalada de forma óptima, con imágenes lejanas que dificultaron la detección de personas (y, de ahí, el cálculo de ocupación). Nuestra solución fue a base de software, adaptándonos a las peculiaridades de cada cámara a base de parametrización y adecuación de los algoritmos.

Tras un breve análisis, y en base a la experiencia de nuestros expertos, decidimos hacer pruebas con 3 algoritmos distintos para buscar el que mejor se adecuaba al caso de uso que nos planteamos.

Tras unas pruebas iniciales, decidimos seguir adelante con dos de los algoritmos, en un trabajo en paralelo dentro del equipo. Los algoritmos deben cumplir ciertas restricciones en cuanto al margen de error aceptable, tiempo de procesamiento, coste de la infraestructura…

Optamos por el algoritmo de CrowdCounting, un modelo de aprendizaje automático basado en redes neuronales convolucionales (CNN) que realiza una partición del espacio supervisado, siguiendo una aproximación basada en “divide y vencerás” (S-DC). Conseguimos un tiempo de menos de 30 segundos desde que se captura una imagen cifrada hasta que se obtiene el resultado cualitativo de ocupación, sobre hardware estándar (no especializado), cumpliendo ampliamente los requisitos de actualización (10 minutos).