Sistema de detección de aves mediante análisis de imágenes

Luisa Marcela Silva-Labanda, Juan Carlos Cobos-Torres

Resumen


El presente trabajo de investigación tiene como objetivo diseñar un sistema de detección de aves mediante el análisis de imágenes y videos, que puede interpretar y aprender de características y patrones de las imágenes obtenidas, y luego probar el sistema en un ambiente real como la Reserva ecológica de Arenillas. Para la realización de este trabajo, se utiliza el modelo de entrenamiento de YOLOv5 que permite crear un algoritmo para aprendizaje automático programado en Python, para lo cual se siguió determinados pasos: adquisición de imágenes de varias especies de aves, preparación de la dataset para el entrenamiento de la red convolucional, entrenamiento del modelo seleccionado, inferencia del modelo entrenado y la prueba del sistema. El dataset se crea mediante Roboflow, una aplicación web fácil y amigable de utilizar, así como para el etiquetado y procesamiento de las imágenes obtenidas. Después de entrenar el algoritmo, se procede a realizar las inferencias para evaluar la precisión del modelo entrenado. Este algoritmo se lo puede utilizar en varios sistemas de clasificación y detección de objetos, animales dependiendo el tipo de imágenes a analizar, con pocos recursos computacionales. Finalmente, se lo probó en un ambiente natural durante 15 días con una precisión de detección del 80%. Como principal conclusión, se determina que los porcentajes de precisión del modelo en el entrenamiento indican que, las redes neuronales convolucionales tienen un buen desempeño en la detección de aves.

Palabras clave


Inteligencia artificial; Imágenes; Python; Visión artificial; Redes neuronales convolucionales; Detección de aves

Texto completo:

PDF HTML

Referencias


C. Canaday (2017) «La variedad de nuestra fauna.,» Ecuador Terra Incógnita, vol. 6, nº 1, pp. 25-27, 2017

C. George (2019) «Estrategia metodológica para elaborar el estado del arte como un producto de investigación educativa,» Praxis educativa UNLPam, Vol 23, No3, seprtiembre-diciembre, pp. 1-17, 2019.

Ecuador, el país de las aves – Ministerio de Turismo (2021) Recuperado 13 de julio de 2021, de https://www.turismo.gob.ec/ecuador-el-pais-de-las-aves/

H. Echeverría y S. Suárez (2016) «Tutela judicial efectiva en materia ambiental,» CEDA, Quito, 2016.

L. Hoyos (2021) «Detección automatizada de cantos de aves continúa siendo un desafío: el caso de warbleR y Megascops centralis (búho del Chocó),» Biota colombiana, vol. 22, nº 1, pp. 12-25, 2021.

L. Yuee (2009) «www.researchgate.net,» Universidad de Tecnología de Queensland, 3 agosto 2009. [En línea]. Available: https://www.researchgate.net/publication/4309534_A_Shape_Ontology_Framework_for_Bird_Classification. [Último acceso: 21 julio 2021].

D. Quimis y J. Ramírez, (2019) Comedero de aves inteligente: sistema de clasificación, monitoreo y reporte de especies de aves por medio de un comedero construido con un ordenador de placa reducida y análisis de imágenes usando Machine Learning. http://repositorio.ug.edu.ec/handle/redug/39492

Ruiz, J., Escudero, M., Ponente, V., Jesús, & Cano, B. (2020)

Detección automática de aves en las vías del AVE mediante análisis de vídeo. https://repositorio.uam.es/handle/10486/693980

R. Hernández, C. Fernández y P. Baptista (2010) Metodología de la investigación, México D.F.: McGraw-Hill, 2010

R. Guevara (2016) El estado del arte en la investigación: ¿análisis de los conocimientos acumulados o indagación por nuevos sentidos?, Folios No.44, pp. 165-179, 2016.

Silvia Rangel Félix. (2009) Detección Automática de Aves en Vuelo en Imágenes Naturales. 2009. https://www.cenidet.edu.mx/subplan/biblio/seleccion/Tesis/MC Silvia Rangel Felix 2009.pdf

T. Granizo (2016). Libro Rojo de las aves del Ecuador. Segunda edición, Quito: SIMBIOE/Conservación Intemacional/EcoCiencia/Ministerio del Ambiente/UICN, 2016.

V. Sierra (2016) Metodología de la Investigación Científica, Lima: Tacna, 2016.

Viera-Maza, G. (2017) «Procesamiento de imágenes usando opencv aplicado en raspaberry pi para la clasificación del cacao,» Universidad de Piura, Piura, 2017.




DOI: http://dx.doi.org/10.23857/dc.v7i6.2404

Métricas del Artículos

Cargando Métricas.....

Metrics powered by MI WEB PRO

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia


Copyright (c) 2021 Luisa Marcela Silva-Labanda, Juan Carlos Cobos-Torres

URL de la Licencia: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es

Polo de Capacitación, Investigación y Publicación (POCAIP)

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: [email protected]

URL: https://www.dominiodelasciencias.com/

DOI: https://doi.org/10.23857/pocaip