Video Experimental Relacionado
Updated: May 6, 2026
08:25
Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.1K
Combinando la detección de objetos, las redes generales de resolución y los transformadores para facilitar el flujo
Étienne Clabaut1, Jérémie Bouffard2, Jade Savage2
1Département de Géomatique Appliquée, Université de Sherbrooke, Sherbrooke, QC J1K 2R1, Canada.
Insects
|August 28, 2025
Resumen
Se desarrolló un canal de inteligencia artificial (IA) para automatizar la identificación de garrapatas a partir de imágenes públicas enviadas a la plataforma eTick. La IA logró una precisión de más del 86% en un modelo de 3 clases, lo que ayudó significativamente a la vigilancia de la salud pública.
Área de la Ciencia:
- Entomología veterinaria
- Ciencias de la computación
- Vigilancia de la salud pública
Sus antecedentes:
- Los cambios en la distribución y la abundancia de garrapatas requieren herramientas de vigilancia sólidas.
- La plataforma eTick utiliza imágenes de fuentes masivas para la identificación de garrapatas y orientación de salud pública.
- El aumento de los volúmenes de envío a eTick requiere el procesamiento automatizado de imágenes para ahorrar recursos.
Objetivo del estudio:
- Evaluar una tubería de inteligencia artificial (IA) de extremo a extremo para la identificación automatizada de garrapatas a partir de imágenes enviadas por los usuarios.
- Evaluar el rendimiento de diferentes modelos de IA (YOLOv7, RealESRGAN, SwinIR, ResNet-50, ViT) para la localización de garrapatas, la mejora de la resolución y la clasificación.
- Determinar la configuración óptima de IA para una identificación eficiente y precisa de las garrapatas en la plataforma eTick.
Principales métodos:
- Desarrolló una tubería de IA que integraba YOLOv7 para la localización de garrapatas.
- Se utilizan redes de súper resolución (RealESRGAN, SwinIR) para mejorar la imagen.
- Utilizó clasificadores de aprendizaje profundo (ResNet-50, ViT) en conjuntos de datos con granularidades de clasificación variables (12, 6 y 3 clases).
Principales resultados:
- El Vision Transformer (ViT) superó constantemente a ResNet-50 en las tareas de clasificación.
- La configuración de mejor rendimiento, utilizando la detección de objetos sin superresolución, logró una puntuación de F1 macro-promedio superior al 86% en un modelo de 3 clases (Dermacentor sp., otras especies, malas imágenes).
- Se observaron errores críticos mínimos (0,7% de "otras especies" clasificadas erróneamente como Dermacentor).
Conclusiones:
- Los métodos de IA pueden mejorar significativamente la eficiencia y la precisión del procesamiento de imágenes de garrapatas en las plataformas científicas comunitarias.
- Un modelo de IA de baja granularidad que se enfoca en distinciones clave (por ejemplo, Dermacentor) puede ahorrar tiempo sustancial mientras mantiene una alta precisión para eTick.
- Adaptar la complejidad del modelo de IA y la resolución de clase a las limitaciones específicas de la tarea es crucial para una implementación efectiva.
