💻 computer science

Dot-Flik: A Scalable Edge AI Architecture for Distributed Insect Monitoring

Este artículo presenta Dot-Flik, una arquitectura de IA en el borde escalable para el monitoreo distribuido de insectos que utiliza el filtrado de fotogramas informado por el movimiento para reducir la transmisión de datos y el consumo de energía, permitiendo un seguimiento de la biodiversidad en tiempo real y rentable en hardware de bajo costo sin depender del procesamiento centralizado.

Autores originales: Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

Publicado 2026-06-26

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mattia Consani, Denisa-Andreea Constantinescu, Åse Håtveit, Titus Venverloo, Fabio Duarte, Carlo Ratti, David Atienza

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando contar cada abeja, mariposa y escarabajo en un parque de la ciudad para entender qué tan saludable es el ecosistema local. ¿El problema? Hay demasiados insectos y se mueven demasiado rápido para que los humanos los cuenten manualmente. Si intentas usar cámaras, te encuentras con un nuevo problema: las cámaras generan una cantidad masiva de datos de video. La mayor parte de ese video es solo cielo vacío o hojas moviéndose con el viento. Enviar toda esa filmación inútil a una computadora central es costoso, agota las baterías rápidamente y satura la red.

Este artículo presenta Dot-Flik, un sistema inteligente de dos partes diseñado para resolver este problema de "inundación de datos" para que podamos monitorear insectos a gran escala sin romper el banco.

Así es como funciona, utilizando analogías simples:

El Problema: La cámara trampa "siempre encendida"

Piensa en el monitoreo tradicional de insectos como tener un guardia de seguridad en cada una de las puertas de un hotel masivo. Cada guardia (la cámara) está constantemente gritando: "¡Veo algo! ¡Veo algo!", incluso si es solo una hoja cayendo o una sombra moviéndose.

El Costo: Necesitas un equipo enorme de guardias (computadoras costosas) para escuchar todos estos gritos.
El Desperdicio: El 90% de los gritos son sobre nada importante. Los guardias se cansan (las baterías mueren) y las líneas telefónicas se saturan (sobrecarga de red).

La Solución: El equipo Dot-Flik

Los autores proponen dividir el trabajo en dos roles especializados, creando un equipo "jerárquico".

1. Los Nodos "Dot" (Los porteros inteligentes)

Estas son las cámaras de bajo costo colocadas por todo el parque. En lugar de ser cámaras "tontas" que graban todo, actúan como porteros inteligentes en la entrada de un club.

Cómo funcionan: Observan la transmisión de video pero solo buscan movimiento.
El Truco: Utilizan un truco matemático ingenioso (llamado "filtrado informado por movimiento") para ignorar el viento que sopla a través de los árboles. Saben que el viento mueve todo de forma lenta y uniforme, mientras que un insecto se mueve rápidamente en un punto específico.
El Resultado: Si el portero ve una hoja moviéndose, dice: "Ignora eso". Si ve una abeja zumbando, dice: "¡Alto! ¡Envía esto al jefe!".
Eficiencia: En condiciones de calma o viento ligero, estos porteros desechan del 60% al 80% de los fotogramas de video antes de que siquiera salgan de la cámara. Solo envían los momentos "interesantes".

2. El Nodo "Flik" (El analista experto)

Esta es la computadora central (el "jefe") que recibe los mensajes filtrados de los muchos porteros "Dot".

Cómo funciona: Debido a que los "Dots" ya han hecho el trabajo duro de filtrar el ruido, el nodo "Flik" no tiene que escuchar a 100 cámaras gritando al mismo tiempo. Solo escucha al 20% de las cámaras que realmente vieron algo interesante.
El Beneficio: Una computadora potente puede ahora manejar datos de 5 a 6 ubicaciones de cámara diferentes simultáneamente, mientras que antes apenas podía manejar una. Es como un experto que puede entrevistar a 5 personas a la vez porque las otras 95 personas permanecieron en silencio.

Por qué esto importa (Los resultados del mundo real)

Los investigadores probaron este sistema en un jardín real con viento real e insectos reales. Esto es lo que encontraron:

Reducción masiva de datos: Bajo viento ligero, el sistema redujo los datos enviados a la computadora central entre un 60 y 80%. Es como enviar un resumen de un libro en lugar del libro completo.
Vida de la batería: Debido a que las cámaras no están enviando constantemente video inútil, ahorran energía. El sistema mostró hasta un 22.6% de ahorro de energía, lo que podría extender la vida de una cámara alimentada por batería aproximadamente un día completo.
Velocidad: El sistema funciona lo suficientemente rápido como para capturar insectos en tiempo real (30 fotogramas por segundo) sin trabarse o tener retrasos.
Costo: Al usar cámaras simples y baratas para el trabajo de "portero" y solo unas pocas computadoras potentes para el trabajo de "experto", se puede cubrir un área mucho más grande por mucho menos dinero.

La Conclusión

El artículo argumenta que para monitorear insectos en toda una ciudad, no podemos simplemente construir más cámaras potentes y costosas. En su lugar, necesitamos construir cámaras más simples y más inteligentes que sepan cómo ignorar el viento y solo informar lo que importa.

Al trasladar el "pensamiento" sobre qué es interesante al borde (la propia cámara) y solo enviar lo bueno al cerebro central, el sistema Dot-Flik hace posible la creación de una red densa de monitores de insectos en toda la ciudad que sea asequible, eficiente en energía y escalable. Convierte una inundación caótica de datos en un flujo manejable de información útil.

Resumen Técnico: Dot-Flik: Una arquitectura de IA en el borde escalable para el monitoreo distribuido de insectos

Planteamiento del problema
Las poblaciones globales de insectos están sufriendo declives precipitados, lo que requiere sistemas de monitoreo continuos y escalables para rastrear la biodiversidad. Aunque existen soluciones automatizadas basadas en visión, estas enfrentan barreras fundamentales para su despliegue a gran escala. Los enfoques actuales de vanguardia suelen depender de hardware costoso y de alto consumo energético o de una conectividad constante a la nube. Estas dependencias crean una "brecha de monitoreo": los altos costos de hardware limitan la densidad de los nodos, el alto consumo de energía restringe la ubicación a áreas conectadas a la red eléctrica, y las arquitecturas centradas en la nube introduen restricciones de ancho de banda y privacidad. Además, los sistemas de IA en el borde existentes (como la plataforma Flik) a menudo operan cerca de la saturación computacional, donde cada área de monitoreo adicional requiere un despliegue proporcionalmente denso de nodos de procesamiento completo, lo que conduce a un escalado desfavorable de los recursos de costo, energía y cómputo.

Metodología
El artículo propone Dot-Flik, una arquitectura de IoT jerárquica y distribuida que desacopla la adquisición de datos de la clasificación por IA mediante la reducción de datos en el borde. El sistema consta de dos capas distintas:

Nodos Dot (Detección en el borde): Unidades de detección de bajo costo (implementadas en Raspberry Pi Zero 2 W) equipadas con módulos de cámara estándar. Estos nodos realizan un filtrado de fotogramas ligero e informado por el movimiento en la fuente. En lugar de transmitir video continuo, descartan el contenido dominado por el fondo localmente.
Nodos Flik 2.0 (Clasificación de IA en el borde): Unidades de procesamiento centralizadas (implementadas en Raspberry Pi 5 con NPU Hailo-8) que reciben únicamente los fotogramas candidatos filtrados de múltiples nodos Dot. Estos nodos realizan la inferencia de aprendizaje profundo computacionalmente intensiva para la clasificación de especies de insectos.

Contribuciones clave
Los autores presentan tres contribuciones principales:

Algoritmo de filtrado de fotogramas informado por el movimiento: Un algoritmo ligero que se ejecuta en los nodos Dot que descarta fotogramas irrelevantes sin requerir inferencia de aprendizaje profundo en el dispositivo de detección. El algoritmo utiliza un flujo de trabajo de tres etapas:
- Preprocesamiento: Conversión a escala de grises, reducción de resolución a 320x320 y desenfoque gaussiano de 5x5 para suprimir el ruido de alta frecuencia.
- Diferenciación temporal y amplificación: Cálculo de la probabilidad de movimiento utilizando un búfer rodante de tres fotogramas. La señal de movimiento se normaliza y se le aplica corrección gamma ( $\gamma=3.0$ ) para enfatizar el movimiento concentrado (insectos) mientras se suprimen los movimientos ambientales dispersos (ej. vegetación movida por el viento).
- Análisis de densidad basado en bloques: El fotograma se particiona en bloques no superpuestos de 20x20 píxeles. Utilizando imágenes integrales para una complejidad de $O(1)$ , el sistema calcula la intensidad del movimiento por bloque. Un fotograma se retiene solo si al menos un bloque excede un umbral de movimiento ( $\tau=2000$ ), distinguiendo la actividad localizada de los insectos del movimiento uniforme del fondo.
Arquitectura jerárquica distribuida: La topología Dot-Flik separa la detección de la clasificación, permitiendo un modelo de escalado de "muchos a pocos" ( $N$ nodos Dot a $M$ nodos Flik, donde $M \ll N$ ). Esta arquitectura reduce el volumen de comunicación y permite que la demanda de procesamiento en el backend escale de forma fraccional con el área monitoreada en lugar de hacerlo linealmente con el número de nodos. Soporta la operación asíncrona, donde los nodos Dot transmiten en tiempo real (30 FPS) mientras los nodos Flik procesan los datos en modo por lotes (batch mode) para optimizar la utilización computacional.
Validación en el mundo real: El sistema se desplegó al aire libre en un entorno de jardín urbano bajo diversas condiciones de viento (desde ausencia de viento hasta viento extremo). La evaluación cubrió cuatro ejes: rendimiento en tiempo real, escalabilidad de red, costo de hardware y eficiencia energética.

Resultados

Reducción de datos: El filtrado informado por el movimiento logró tasas de reducción de fotogramas del 60–80% bajo condiciones de viento ligero (5–15 km/h) y de 20–40% bajo vientos fuertes. La inspección manual confirmó que la actividad de los insectos visible en los flujos sin filtrar se preservó consistentemente.
Rendimiento en tiempo real: Los nodos Dot mantuvieron una operación de 30 FPS con un tiempo de procesamiento total de 33.32 ms por fotograma, dejando 12.8 ms de margen computacional. La captura de la cámara representó el 76.8% del tiempo de procesamiento.
Escalabilidad: Basándose en la tasa de filtrado de viento ligero ( $r \approx 0.72$ ) y las capacidades de procesamiento por lotes del nodo Flik 2.0, los autores proyectan una concurrencia sostenible de 5–6 flujos de Dot concurrentes por cada nodo Flik 2.0. Se identificó que el ancho de banda de la red no es el factor limitante; la capacidad de cómputo del nodo central es la principal restricción de escalabilidad.
Eficiencia energética: El consumo de energía se correlacionó con las tasas de transmisión de fotogramas. El sistema logró ahorros de energía de hasta un 22.6% con una tasa de descarte de fotogramas del 100% (inactivo). Bajo condiciones de viento moderado (70% de descarte), el sistema demostró una reducción de energía del 15.6%, lo que se traduce en aproximadamente 9.2 horas adicionales de operación con un banco de energía de 20,000 mAh.

Significancia y declaraciones
El artículo sostiene que Dot-Flik establece una base práctica para redes densas y de bajo costo de monitoreo de la biodiversidad en entornos urbanos. Al reubicar el filtrado informado por el movimiento en una etapa de borde de bajo costo antes de la inferencia, la arquitectura aborda las limitaciones de escalabilidad de los modelos centralizados. Los autores enfatizan que el patrón "filtrar en el borde y luego inferir" es un principio de diseño necesario para el despliegue a escala de red en hardware comercial, particularmente para cargas de trabajo de IoT basadas en visión donde los eventos de interés ocurren con poca frecuencia en relación con la captura total de datos.

Los autores mantienen un alcance modesto respecto a sus afirmaciones:

No pretenden haber resuelto la tasa de detección para todas las especies de insectos; la evaluación de la precisión de detección depende del flujo de trabajo de la etapa superior de Flik (un proyecto separado) y fue validada cualitativamente en este estudio.
Las proyecciones de escalabilidad (5–6 flujos) se derivan de mediciones de un solo nodo; la validación con múltiples nodos físicos concurrentes se señala como trabajo futuro.
La efectividad del sistema está actualmente limitada por la sensibilidad al viento; las condiciones de viento fuerte reducen la eficacia del filtrado debido al movimiento de la vegetación, aunque esto coincide con una actividad de insectos naturalmente suprimida.
El estudio se centra en las variaciones del viento; otros factores ambientales como la precipitación, la niebla y los cambios estacionales de iluminación no fueron evaluados sistemáticamente.

El trabajo se posiciona como un paso hacia la resolución de la "brecha de monitoreo" al permitir un monitoreo de insectos a escala urbana, económica y técnicamente viable mediante la optimización arquitectónica en lugar de centrarse únicamente en mejoras algorítmicas de clasificación.