Farm4Trade R&D contributes in major advancements of AI technologies - Blog Farm4Trade
folder_openNews, Ricerca e sviluppo

Le attività R&D di Farm4Trade per il progresso delle tecnologie di Intelligenza Artificiale

Estimated reading time: 9 minute(s)

Farm4Trade ha scelto sin dalla sua fondazione nel 2016 di investire in attività R&D, ricerca e sviluppo delle tecnologie in maniera prioritaria rispetto a qualsiasi altro obiettivo, con l’intento di creare innovazioni accessibili basate su modelli informatici di prima classe.

Una parte del team di Farm4Trade è proprio dislocato nell’Università di Modena e Reggio Emilia ed è completamente dedicato alla ricerca e allo sviluppo di tecnologie di Intelligenza Artificiale, Machine Learning e Data Modeling all’interno di AIMageLab, nel Dipartimento di Ingegneria “Enzo Ferrari”, riconosciuto come polo di eccellenza internazionale per l’Intelligenza Artificiale e la Computer Vision.

La ricerca accademica ha permesso a due nostri progetti R&D di fare degli enormi balzi in avanti  fino ad ora.

La nostra tecnologia ADAL (Automatic Detection of Abattoir Lesions) è un innovativo sistema di Intelligenza Artificiale capace di automatizzare il processo per l’acquisizione di immagini di mezze carcasse sulla catena di macellazione, e al contempo in grado di rilevare e classificare le lesioni presenti sugli organi degli animali macellati. Questo progetto è il primo ad applicare tecniche di Deep Learning allo scopo di aumentare significativamente la sostenibilità ambientale delle produzioni alimentari. Lo scopo principale della ricerca su ADAL è quello di sviluppare e implementare un sistema automatizzato per la raccolta in massa di dati sulle patologie respiratorie rilevabili nei maiali al macello. Il primo prototipo da noi sviluppato dovrebbe essere in grado di identificare il 95% delle carcasse che presentano queste patologie. Attualmente è stato dimostrato che ADAL è pronto per essere utilizzato in un contesto operativo reale. 

La nostra tecnologia PhAID (Photo Artificial Intelligence Identification) è un sistema di riconoscimento biometrico contactless che avviene attraverso l’acquisizione di immagini e consente di identificare univocamente gli animali attraverso le fotocamere, e sarà integrato all’interno di tutti i nostri strumenti e servizi in fase di sviluppo e in quelli che già esistono.  Il nuovo approccio offerto da PhAID consente di facilitare il tracciamento del bestiame, tenendo traccia della salute dell’animale dalla nascita fino alla macellazione, attraverso un sistema di controllo e monitoraggio che sia in grado di rispondere sia alle esigenze degli allevatori che a quelle degli altri stakeholders.  Al momento il sistema PhAID è completo e qualificato e sono in fase di realizzazione test di affidabilità e ottimizzazione in ambiente operativo reale. 

La maggior parte delle ricerche sui metodi di identificazione via Intelligenza Artificiale si concentra sulle persone piuttosto che sugli animali, principalmente a causa del fatto che per le persone sono state sviluppate funzionalità di estrazione delle immagini attraverso l’utilizzo delle reti neurali che presentano una qualità migliore, e anche perché si dispone di dataset più ampi per addestrare le reti a riconoscere le immagini.

Le nostre attività di ricerca invece si focalizzano sull’utilizzo di tecniche di Deep Learning e in particolare sulle tecniche per adattare gli scan biometrici contactless a diversi domini, non solo a quello animale o a quello umano. Studiamo a fondo come adattare un dataset di dimensioni limitate e i metodi per adattare modelli pre-addestrati ad operare in domini differenti.

Possiamo dire con sicurezza che più riusciamo a sofisticare i sistemi per l’identificazione animale, più questi diventano reversibili e applicabili anche al contesto umano.

Questo è proprio il caso concreto della recente pubblicazione realizzata da tre componenti del nostro team di ricerca, Luca Bergamini, Angelo Porrello e Simone Calderara. 

I nostri tre ricercatori hanno contribuito con questa pubblicazione all’European Conference on Computer Vision (ECCV 2020), la principale conferenza europea nel settore della image analysis. Si tratta di un paper sulla re-identificazione ottenuta tramite l’applicazione senza precedenti del framework “teacher-scholar” a visuali multiple invece che a frame temporali della stessa visuale, utilizzando una tecnica sperimentale definita Views Knowledge Distillation (VKD), che ha dimostrato la capacità di effettuare una solida re-identificazione anche attraverso dataset di piccole dimensioni. 

Il metodo è stato applicato a vari domini, al contrario di quanto accade maggior parte delle tecniche di Computer Vision che vengono applicate solo ad un singolo dominio. Questo metodo ottiene risultati importanti su più domini, permettendo la re-identificazione Umana, Animale e di Veicoli.  

Estendendo l’ambito di ricerca e applicazione di queste evidenze, che sono già incorporate all’interno delle nostre tecnologie in ambienti operativi reali come abbiamo descritto, ci rendiamo conto che sembrino dirompenti e di rottura rispetto alle tecnologie attuali. In realtà saranno adottate molto presto come gold standard per l’identificazione e la re-identificazione e utilizzate su larga scala industriale.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *

Compila questo campo
Compila questo campo
Inserire un indirizzo email valido.

Menu