ResIOT® FluidAI
Concluso il progetto di ricerca sull’analisi dei fluidi con Intelligenza Artificiale
UBLSOFTWARE S.R.L. comunica la conclusione del progetto di ricerca industriale ResIOT® FluidAI, dedicato allo sviluppo di un prototipo software basato su Intelligenza Artificiale e Machine Learning per l’analisi automatica dei fluidi, con particolare riferimento al monitoraggio delle acque.
Il progetto, realizzato tra settembre 2024 e giugno 2026 presso la sede operativa di Rovato (BS), è stato cofinanziato dall’Unione europea nell’ambito del Programma Regionale FESR 2021-2027 di Regione Lombardia, bando «Ricerca & Innova».
Microrganismi riconosciuti automaticamente dal modello, con classe e livello di confidenza.
Perché un sistema intelligente per l’analisi dei fluidi
Il controllo microbiologico dei fluidi, ad esempio l’osservazione al microscopio della microfauna nei fanghi attivi degli impianti di depurazione, si basa ancora in larga parte su analisi manuali e periodiche. Questo limita la frequenza dei controlli e la possibilità di intervenire per tempo in caso di anomalie.
ResIOT® FluidAI nasce per rendere questa attività automatica, continua e predittiva: il sistema analizza le immagini acquisite, riconosce e conta i microrganismi presenti, ne registra l’andamento nel tempo e segnala in anticipo le situazioni critiche.
Esempi di immagini microscopiche utilizzate per l’addestramento del modello.
Le tre linee di ricerca
Riconoscimento dei microrganismi
Un modello di computer vision basato su rete neurale (architettura YOLOv8) è stato addestrato su immagini microscopiche con oltre 4.100 istanze annotate di cinque classi: Arcellinida, Digononta, Hypotrichida, Monogononta e Nematoda.
Indici e segnalazioni
I conteggi sono validati con un filtro di accuratezza minima, salvati in uno storico configurabile e trasformati in una media mobile. Al superamento della soglia critica il sistema attiva l’allarme e indica la specie prevalente, con visualizzazione in tempo reale.
Previsione nel tempo
Un modulo predittivo basato su modello ARIMA, con parametri configurabili, stima l’andamento futuro dei valori con il relativo intervallo di confidenza. Se la previsione raggiunge la soglia critica, il software genera un preavviso di anomalia.
I risultati ottenuti
Sul dataset di validazione il modello di riconoscimento ha raggiunto un mAP@0.5 complessivo pari a 0,841 e un F1 massimo di 0,80 con soglia di confidenza 0,462. Le confusioni tra specie diverse sono molto rare.
Il principale margine di miglioramento riguarda la separazione tra organismo e sfondo dell’immagine, in particolare per le classi meno rappresentate nel dataset. Per questo la soglia operativa è stata calibrata sulle curve F1, Precision e Recall, e i conteggi vengono stabilizzati con un filtro di accuratezza minima e la media mobile. L’ampliamento e il bilanciamento del dataset sono tra gli sviluppi futuri.
Matrice di confusione normalizzata: corretta classificazione per ciascuna classe.
Curva Precision-Recall per classe e complessiva (mAP@0.5 = 0,841).
Dal dato alla decisione
I conteggi del modello alimentano un cruscotto in tempo reale che confronta la media mobile dei microrganismi rilevati con la soglia di allarme definita dal responsabile del controllo. Il modulo predittivo proietta poi l’andamento nel futuro: la previsione viene usata come preavviso, con un intervallo di incertezza che cresce con l’orizzonte temporale.
Monitoraggio in tempo reale: media mobile, soglia di allarme e specie prevalente.
Analisi predittiva ARIMA: andamento stimato e intervallo di incertezza.
On-edge, direttamente sul campo
L’architettura software è stata ottimizzata e testata per l’esecuzione on-edge sulla scheda Coral Dev Board Mini, un single board computer con coprocessore Edge TPU progettato per l’accelerazione di modelli di machine learning a basso consumo energetico.
Le immagini vengono elaborate localmente, senza trasferirle a infrastrutture esterne: minore latenza, minore dipendenza dalla rete e un potenziale contenimento dei consumi energetici. La suite è stata inoltre collaudata in ambienti simulati Windows e Linux in condizioni controllate.
Ambiti di applicazione
Il prototipo, validato in ambiente controllato, si rivolge in particolare a:
Depurazione delle acque, con il controllo continuo della microfauna dei fanghi attivi negli impianti civili e industriali.
Rete idrica e acqua potabile, presso nodi di distribuzione e impianti di potabilizzazione.
Industria alimentare e delle bevande, a supporto del controllo dei fluidi nelle linee di produzione.
Comparto chimico, farmaceutico e sanitario, per l’automazione dei conteggi microbiologici e l’analisi delle acque di scarico.
Sostenibilità e prossimi passi
Il progetto si inserisce nel tema del risparmio idrico e della migliore gestione della risorsa acqua. Controlli più frequenti e capillari, segnalazioni tempestive e stime sull’andamento futuro aiutano a gestire i processi di trattamento in modo preventivo e a limitare l’immissione di acque non conformi nei corpi idrici ricettori.
I prossimi passi riguardano la validazione in campo, l’addestramento del modello su ulteriori classi di microrganismi in base alle esigenze dei clienti e l’integrazione con la piattaforma ResIOT®.
