Image Analytics for Seafood machinery using AI (IASAI) è un progetto di ricerca industriale e sviluppo sperimentale co-finanziato dall’Unione Europea, nell’ambito del Next Generation EU attraverso BI-REX – Big Data Innovation & Research Excellence Competence Center, condotto da due PMI e dal CNR.
Indice degli argomenti
Il progetto IASAI e il machine learning nella filiera ittica
Il progetto IASAI, guidato da Infoteam, mira allo sviluppo di un sistema avanzato di Machine Learning applicato alla manifattura intelligente nella filiera agroalimentare, con particolare riferimento al settore ittico.
L’ambizioso obiettivo è automatizzare il riconoscimento delle specie ittiche, utilizzando tecnologie avanzate di Computer Vision e Big Data analytics.
L’implementazione del sistema avviene su macchine industriali dedicate alla commercializzazione di prodotti ittici, con applicazione nel contesto specifico del Mercato Ittico di Termoli.
Applicazioni avanzate di machine learning nella filiera ittica
Le recenti applicazioni dell’intelligenza artificiale alla scienza della pesca stanno aprendo interessanti opportunità per effettuare campionamenti su vasta scala delle catture ittiche.
In uno studio del 2020 pubblicato su ICES Journal of Marine Science, “Image-based, unsupervised estimation of fish size from commercial landings using deep learning”[1], sono stati presentati i risultati ottenuti utilizzando una rete neurale convoluzionale profonda (Mask R-CNN) per il riconoscimento delle specie ittiche e sulla stima automatica della lunghezza dell’aringa europea da immagini di casse di pesce raccolte automaticamente presso il centro di asta.
Lo studio “The DeepFish computer vision dataset for fish instance segmentation, classification, and size estimation”[2] pubblicato nel 2022, è di interesse per valutare le prestazioni di nuovi metodi di segmentazione delle specie ittiche e/o di stima delle dimensioni, entrambi essenziali per sistemi finalizzati al controllo automatizzato dello sfruttamento degli stock.
La prima fase del progetto IASAI ha previsto l’analisi dettagliata delle esigenze operative del mercato ittico, definendo le specifiche tecniche per un dataset robusto raccolto tramite IP CAM durante le operazioni quotidiane di asta. L’integrazione con il sistema gestionale esistente, e-Fish®, ha consentito la raccolta continua di immagini e dati, garantendo un flusso informativo costante per l’addestramento dei modelli di AI.
Soluzioni tecnologiche di machine learning per la filiera ittica
Infoteam, capofila del progetto, vanta una lunga esperienza nello sviluppo di soluzioni digitali per la Blue Economy, collaborando a livello internazionale con enti di ricerca e progetti europei, e utilizzando tecnologie emergenti come Blockchain, IoT e cloud computing.
L’approccio innovativo del progetto IASAI si è concentrato sulla progettazione di una piattaforma di Big Data analytics basata su tecniche avanzate di Machine Learning Operations (MLOps) e sull’uso di tecnologie open source. La fase centrale ha previsto l’integrazione dei dati provenienti da IP CAM, sensori e sistemi PLC, gestiti attraverso un’infrastruttura cloud distribuita che consente inferenze in tempo reale.
Architetture neurali per il machine learning nella filiera ittica
Factordev ha curato il design delle metodologie di Machine Learning, sviluppando una pipeline robusta che va dall’analisi e dalla preparazione dei dati fino allo sviluppo e al deploy dei modelli. Il workflow ha anche compreso l’inserimento di tecniche di data augmentation per estendere il numero di campioni sinteticamente, mediante l’alterazione via software.
Lo sviluppo del modello ha visto lo studio e la realizzazione di due reti neurali concatenate. Per la segmentazione delle immagini è stata scelta l’architettura U-Net, mentre per la predizione delle etichette si è optato per la rete neurale Fast R-CNN. Questa architettura, unitamente allo sviluppo delle singole componenti software, ha permesso di ottenere risultati di riconoscimento affidabili anche in ambienti operativi complessi come quello del mercato ittico.
Validazione sul campo del machine learning nella filiera ittica
Il progetto IASAI ha raggiunto un livello di maturità tecnologica (Technology Readiness Level – TRL) pari a 6, corrispondente alla dimostrazione della tecnologia in un ambiente industrialmente rilevante. Questo livello di maturità è stato ottenuto attraverso un processo rigoroso di validazione sperimentale che ha incluso test sul campo in condizioni operative reali. In particolare, il prototipo dell’applicazione data-driven sviluppata è stato testato con successo nel Mercato Ittico di Termoli, confermando l’efficacia del sistema nell’identificare correttamente le specie ittiche e le relative taglie con alta precisione e affidabilità, con accuratezza superiore all’88%.
Il Consiglio Nazionale delle Ricerche – Istituto per lo Studio dei Materiali Nanostrutturati (CNR-ISMN) ha curato la validazione scientifica del progetto, verificando e garantendo il rigore del processo di maturazione tecnologica del sistema attraverso la selezione dei dataset, test sul campo e l’analisi di affidabilità delle predizioni generate dai modelli.
Per perfezionare i modelli di machine learning, necessari all’identificazione e la classificazione delle specie ittiche, è stata coinvolta l’area di ricerca bolognese del CNR, i cui esperti in Artificial Intelligence hanno contribuito, tramite consulenza, al perfezionamento della progettazione e del training dei modelli utilizzati, in modo da migliorare ulteriormente l’accuratezza del sistema.
Prospettive future per il machine learning nella filiera ittica
L’introduzione della tecnologia sviluppata nell’ambito del progetto IASAI rappresenta un’opportunità significativa per aumentare l’efficienza operativa, migliorare la qualità e sostenere la sostenibilità della filiera ittica. Il sistema, offerto come Software as a Service (SaaS), garantisce un’adozione facilitata anche da parte di PMI con limitate capacità di investimento iniziale.
La roadmap delle evoluzioni future include la diffusione della soluzione ad altri mercati ittici e potenzialmente ad altri segmenti della filiera agroalimentare, grazie all’approccio “API first” che consente una facile integrazione con sistemi preesistenti. Il risultato finale, una volta industrializzato il prodotto, sarà un buon esempio di AI collaborativa al servizio degli operatori del settore ittico.
IASAI, un buon esempio di progetto finanziato con i fondi PNRR, promette quindi non solo di rivoluzionare la gestione della classificazione e della tracciabilità nel settore ittico, ma anche di consolidare la competitività delle imprese italiane nel panorama agroalimentare europeo.
Note
[1] Amaya Álvarez-Ellacuría, Miquel Palmer, Ignacio A Catalán, Jose-Luis Lisani, Image-based, unsupervised estimation of fish size from commercial landings using deep learning, ICES Journal of Marine Science, Volume 77, Issue 4, July-August 2020, Pages 1330–1339, https://doi.org/10.1093/icesjms/fsz216
[2] Garcia-D’Urso, Nahuel & Galán Cuenca, Alejandro & Pérez-Sánchez, Paula & Climent i Pérez, Pau & Guilló, Andrés & Azorin-Lopez, Jorge & Saval-Calvo, Marcelo & Guillén-Nieto, Juan & Soler-Capdepón, Gabriel. (2022). The DeepFish computer vision dataset for fish instance segmentation, classification, and size estimation. Scientific Data. 9. 287. 10.1038/s41597-022-01416-0.
