CA | ES | EN

Basem Elbarashy | Sonicat systems

Lead AI engineer

Basem Elbarashy | Sonicat systems

Lead AI engineer

Biografia

Basem és enginyer elèctric (Universitat d’Alexandria) i té un màster en visió per computador de la Universitat Autònoma de Barcelona. Ha treball amb diverses empreses utilitzant Deep learning i tècniques de processament d’imatges per construir i optimitzar els seus productes. En Honey.AI treballa en el desenvolupament d’un sistema basat en I.A responsable de l’anàlisi i comprensió d’imatges de mostres de mel obtingudes amb microscopi.

Honey.AI – El primer dispositiu intel·ligent i autònom per a l’anàlisi automàtica de mel basat en robòtica, visió per computador i aprenentatge profund

Actualment, l’anàlisi del contingut de pol·len a la mel (anomenat melisopalinología) el realitza un especialista expert que, després de la preparació de la mostra, col·loca una petita gota de mel centrifugada en un portaobjectes de vidre i escaneja manualment l’àrea de treball del portaobjectes amb un microscopi òptic a x400 per detectar, identificar i comptar cada gra de pol·len present a la mostra. Aquest mètode té diverses deficiències; és complex (requereix un expert altament capacitat amb habilitats i experiència adequades per identificar diferents morfologies de pol·len), requereix molt de temps (al voltant d’1-1.5 hores per mostra), poc reproduïble (els resultats depenen de les habilitats i experiència del tècnic pel tant és sensible a errors humans) i car (l’anàlisi se sol externalitzar a laboratoris acreditats a un preu que oscil·la entre els 40 i 120 € per anàlisi, que a més no permeten obtenir resultats en temps real).
Amb Honey.AI, el nostre objectiu és automatitzar el tediós treball de l’anàlisi de pol·len per a l’autenticació de la font floral de la mel amb més precisió, utilitzant l’aprenentatge profund i la microscòpia robotitzada de baix cost. La nostra solució estandarditza el mesurament del recompte de pol·len, redueix el temps, permet el mesurament in situ, augmenta la reproductibilitat dels resultats i redueix enormement la dependència humana.
Honey.AI processa mostres brutes amb bombolles i és capaç d’identificar desenes de tipus d’espècies de pol·len. Vam descobrir que fer servir detectors per identificar tipus de pol·len és més eficient que utilitzar un classificador sobre pol·len retallat, ja que el context sembla ser útil a vegades. Per tant, el nostre creixent conjunt de dades es recopila d’aquesta manera amb 50 + k imatges i 80 + k etiquetes. També utilitzem diferents estratègies d’augment per a l’entrenament i el testatge, el que fa que el nostre sistema sigui més robust que altres. Els aspectes més innovadors estan en l’entrenament de sistema i l’anàlisi d’errors. Fem servir l’agrupació en clústers per comprendre el conjunt de dades, els casos de fallades i correcció d’etiquetes. També entrenem el sistema amb imatges més enfocades i durant el test processem els plans més enfocats combinant les deteccions de cada pol·len per assignar-lo a un tipus. Comencem amb l’arquitectura Mask-RCNN i ara evolucionem a EfficientDet (estat de l’art en 2021). També estem seguint un enfocament centrat en les dades per millorar els nostres resultats.

All sessions by Basem Elbarashy | Sonicat systems

SECTOR Agri-food: PROVES DE CONCEPTE DE REFERÈNCIA

15 set. 2021
15:00H
15 SET- STREAMING