Flores
Imagen de un campo de margaritas. GTRES

Investigadores de la UNED han creado un algoritmo basado en técnicas de inteligencia artificial que eleva al 97% la tasa de acierto en las técnicas de identificación de granos de polen, según un artículo publicado en la revista Plos One.

Hasta la fecha, los trabajos de clasificación se realizan de forma manual por personas que deben identificar visualmente los tipos de polen recogidos en las placas en las que impactan empleando su conocimiento previo sobre los mismos. Incluso las técnicas actuales que introducen sistemas automáticos trabajan siguiendo estos patrones de actuación.

Sin embargo, ahora los investigadores, cuyo estudio forma parte del Trabajo Fin de Máster de Víctor Sevillano, dirigido por el José Luis Aznarte Mellado, han logrado aumentar el porcentaje de cierto. "Existen otros modelos basados en el aprendizaje automático que enseñan a las máquinas a reconocer las mismas características que se manejan en la identificación visual: redondez o rugosidad, pero la tasa de acierto apenas es superior, estableciéndose para los mismos datos que hemos usado en el 68,5%", han explicado los expertos.

La principal novedad que aporta el trabajo presentado por los dos investigadores de la UNED es que es el propio sistema el que se encarga de establecer qué características son más apropiadas para identificar los granos de polen recogidos y de aplicarlas a continuación.

De hecho, definen tres modelos distintos basados en el uso de una Red Neuronal Convolucional (CNN, por sus siglas en inglés) que extrae automáticamente las características discriminantes de las imágenes. Unas características que, tal y como han argumentado los investigadores, "no son ni reconocibles ni interpretables", sino que están dentro del sistema y es el propio sistema el que discrimina cuáles son las importantes y cuáles no.

"En el primer método, un clasificador simple se utiliza para catalogar las imágenes directamente desde las características extraídas por la CNN. El segundo método aplica una técnica conocida como 'aprendizaje por transferencia' y hace uso de una red neuronal profunda preentrenada. Finalmente, el tercer método constituye una solución híbrida de los dos anteriores y es precisamente el que alcanza un éxito mayor. Con una combinación de tres técnicas subimos el porcentaje de acierto al 97'23%", ha comentado Aznarte.

Pero no sólo el sector de la salud se podrá beneficiar de este algoritmo sino que, además, la industria de la miel y los productos elaborados a partir de ella también podría resultar beneficiada, pues de la identificación del polen depende la correcta clasificación del producto final. Igualmente, el éxito en la catalogación de algunas muestras de estos granos podría favorecer investigaciones policiales en las que los pólenes atrapados en telas y cuerpos podrían determinar numerosos datos relacionados con los hechos investigados.