Especificamente, o modelo de Deep Learning resultante é aplicado à gestão de piscinas para determinar o número de banhistas em piscinas cobertas em tempo real e, com base nos dados obtidos, controlar a temperatura da água, reduzir a utilização de reagentes e limitar a energia necessária para o tratamento da água.
Além disso, o sistema facilitará a tarefa de medir a capacidade destes espaços públicos e privados durante a pandemia de Covid-19.
Desenvolvimento e Formação do Sistema:
Para desenvolver esta tecnologia, o centro seguiu uma metodologia que começou com a geração de um novo conjunto de dados de imagens de alta resolução. Para aumentar a sua variabilidade, foi realizada uma pesquisa de conjuntos de dados semelhantes para generalizar e fortalecer a resposta da rede neural convolucional treinada.

“Não encontramos muitas referências a conjuntos de dados públicos de pessoas em piscinas, mas o mais próximo do problema da Ecopool é o fornecido pelo Lifeguard-io, um projeto para deteção de afogamentos que utiliza técnicas de visão computacional e de aprendizagem automática”, explica Aitor Gutiérrez, investigador da Tekniker. “Portanto, tivemos de gerar o nosso próprio conjunto de dados específico para o problema.”
Para gerar o modelo de contagem de pessoas e calcular a duração da permanência de cada nadador na piscina, rotulámos as imagens. Isto implica indicar a presença de um objeto numa imagem — neste caso, pessoas — e atribuir um rótulo a esse objeto.
“Utilizámos a ferramenta de software livre LabelImg, que permite a rotulagem rápida e intuitiva das imagens”, acrescenta o investigador da Tekniker.
Como o conjunto de dados de imagens disponível era pequeno em termos de variabilidade, a equipa de especialistas concentrou-se no aumento de dados, uma técnica que gera novos dados para melhorar o treino da rede neural do modelo de aprendizagem profunda, introduzindo certas perturbações e variações nas imagens originais, como a escala e as rotações. Foram aplicadas tanto técnicas clássicas de aumento de dados como técnicas mais avançadas baseadas em redes neuronais generativas adversárias (GANs).

Após a seleção da arquitetura base para o treino do modelo de Deep Learning para deteção de objetos, uma das etapas mais importantes na criação desta tecnologia foi a definição correta das suas diferentes camadas e a seleção e o ajuste dos seus parâmetros de treino, conhecidos como hiperparâmetros.
No caso da solução desenvolvida no Ecopool, os modelos foram treinados em dois sistemas com capacidades computacionais diferentes. Por um lado, foi utilizado um PC com uma placa gráfica dedicada, localizado nas instalações da Tekniker, para o treino local do modelo. Por outro lado, foi contratada uma máquina na nuvem para o treino do modelo num servidor com capacidades computacionais superiores.
Com este sistema, a Tekniker conseguiu uma solução específica que não existia anteriormente e que se baseia numa tecnologia aplicada com sucesso noutros cenários.
O projeto Ecopool conta com a participação da Tekniker, da empresa de engenharia Dinycon Systems, do centro tecnológico Gaiker e da empresa Giroa.