Spectre utiliza métodos de visión computarizada ultra modernos y machine learning para detectar el tamaño de manzanas, y luego usa algoritmos y herramientas estadísticas para estimar la distribución de tamaños de un contenedor de manzanas en tiempo real, todo desde el click de un iPhone o iPad.
Nuestro grupo compuesto por investigadores, desarrolladores e ingenieros trabajaron sin descanso por dos años para producir Spectre, y todos estamos asombrados por sus esfuerzos y talentos. Trabajos tempranos involucraron a depósitos estadounidenses que nos ayudaron vastamente con la recolecciín crítica de datos. Las primeras pruebas piloto de Spectre se llevaron a cabo con productores de Nueva Zelanda, quienes nos dieron sus opiniones y nos ayudaron mucho a mejorar Spectre. Continuamos agradecidos por la generosidad de todos estos negocios.
¿Qué son la visión computarizada y el Machine Learning?
Si mira su mano, verá cinco dedos. La visión computarizada se da cuando una cámara o PC puede darle la misma información, sin que tenga que contar. Para que la visión computarizada descifre que hay dedos en esa foto, hay que entrenar al sistema y enseñarle cómo y qué son los dedos. A esto se lo llama Machine Learning.
El Machine Learning requiere de una gran cantidad de datos a darle al sistema para que pueda aprender qué es correcto e incorrecto, cómo identificar una manzana en varias condiciones, y cómo calcular su tamaño lo más precisamente posible. Nuestro grupo fue hacia los productores, y coleccionaron miles de imaágenes de manzanas para enseñarle al sistema cómo se ve una manzana, y luego crearon miles de etiquetas con anotaciones para las imágenes seleccionadas a mano. Nuestro modelo pre-entrenado fue reentrenado nuevamente, lo que se conoce como Transfer Learning.
Usamos un modelo pre-entrenado para detectar manzanas individuales y dibujar máscaras y contornos cuadrados alrededor de ellas. La información geométrica de las máscaras fue luego traducida a dimensiones reales, como milímetros y pulgadas.
Vimos que las personas no pueden siempre replicar una foto con el ángulo e inclinación justos usando un teléfono móvil. La solución: aplicamos una transformación de perspectiva para achicar la parte de arriba del contenedor hasta un marco de referencia, imitando una vista desde arriba.
Se produce un histograma a partir de los datos de los contornos cuadrados para presentar cuántas frutas de cada categoría fueron detectadas. Los dos puntos más útiles de información de los datos del histograma para los productores de manzanas son el tamaño medio y la desviación estándar. El medio es el tamaño promedio de manzanas, mientras que la desviación estándar representa cuánta variación del tamaño existe en toda esta capa superior.
Spectre ahora puede estimar con precisión el tamaño para el contenedor completo teniendo en cuenta las frutas detectadas en la capa superior.
