Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana

Descripción del Articulo

Actualmente, el uso de técnicas de aprendizaje profundo en la clasificación de especies se ha convertido en un área atractivo de investigación. Asimismo, la clasificación de especies forestales maderables en el Perú fue determinada como un problema crítico-prioritario por las autoridades forestales, d...

Descripción completa

Detalles Bibliográficos
Autor: Bermejo Escobar, Danitza Yvette
Formato: tesis de maestría
Fecha de Publicación:2021
Institución:Universidad Nacional Del Altiplano
Repositorio:UNAP-Institucional
Lenguaje:español
OAI Identifier:oai:https://repositorio.unap.edu.pe:20.500.14082/18344
Enlace del recurso:http://repositorio.unap.edu.pe/handle/20.500.14082/18344
Nivel de acceso:acceso abierto
Materia:Amazonia peruana
Clasificación de imágenes
Especies forestales maderables
Redes neuronales convolucionales
https://purl.org/pe-repo/ocde/ford#2.02.04
id RNAP_f213cc3008441f9464e22b3f79df5811
oai_identifier_str oai:https://repositorio.unap.edu.pe:20.500.14082/18344
network_acronym_str RNAP
network_name_str UNAP-Institucional
repository_id_str 9382
dc.title.es_PE.fl_str_mv Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
title Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
spellingShingle Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
Bermejo Escobar, Danitza Yvette
Amazonia peruana
Clasificación de imágenes
Especies forestales maderables
Redes neuronales convolucionales
https://purl.org/pe-repo/ocde/ford#2.02.04
title_short Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
title_full Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
title_fullStr Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
title_full_unstemmed Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
title_sort Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruana
author Bermejo Escobar, Danitza Yvette
author_facet Bermejo Escobar, Danitza Yvette
author_role author
dc.contributor.advisor.fl_str_mv Sotomayor Alzamora, Guina Guadalupe
dc.contributor.author.fl_str_mv Bermejo Escobar, Danitza Yvette
dc.subject.es_PE.fl_str_mv Amazonia peruana
Clasificación de imágenes
Especies forestales maderables
Redes neuronales convolucionales
topic Amazonia peruana
Clasificación de imágenes
Especies forestales maderables
Redes neuronales convolucionales
https://purl.org/pe-repo/ocde/ford#2.02.04
dc.subject.ocde.es_PE.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.04
description Actualmente, el uso de técnicas de aprendizaje profundo en la clasificación de especies se ha convertido en un área atractivo de investigación. Asimismo, la clasificación de especies forestales maderables en el Perú fue determinada como un problema crítico-prioritario por las autoridades forestales, debido al impacto negativo que lleva una incorrecta clasificación sobre los intereses nacionales. La presente investigación se centró en la comparación de los modelos de aprendizaje por transferencia: AlexNet, VGG-19, Inception V3 y ResNet-101, redes neuronales convolucionales pre-entrenadas para la clasificación de especies. Para ello, se presentó el conjunto de datos denominado Peruvian Amazon Forestry Dataset, conformado por 59,441 imágenes pertenecientes a 10 especies forestales maderables de la Amazonia peruana en peligro de extinción y con importancia económica. Para los experimentos se usaron dos tipos de datos de entrada (imágenes segmentadas e imágenes no segmentadas). Los modelos fueron evaluados cuantitativa (exactitud, precisión, exhaustividad y valor-F1) y cualitativamente (interpretabilidad visual). Los resultados presentan valores significativos para la red VGG-19 al utilizar entradas no segmentadas, alcanzando un 97.61% de exactitud en el entrenamiento, 98.87% en la validación, y una exactitud del 97.02% en el test. Además, gracias a la interpretabilidad, se observó que VGG-19 clasifica a partir de la forma y la vena de la hoja. Por último, es posible concluir que el modelo VGG-19 es una herramienta útil para que especialistas y materos para clasificar especies forestales maderables en tiempo real.
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2022-04-22T11:02:55Z
dc.date.available.none.fl_str_mv 2022-04-22T11:02:55Z
dc.date.issued.fl_str_mv 2021-11-16
dc.type.es_PE.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.uri.none.fl_str_mv http://repositorio.unap.edu.pe/handle/20.500.14082/18344
url http://repositorio.unap.edu.pe/handle/20.500.14082/18344
dc.language.iso.es_PE.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.es_PE.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.es_PE.fl_str_mv https://creativecommons.org/licenses/by/4.0/deed.es
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0/deed.es
dc.format.es_PE.fl_str_mv application/pdf
dc.publisher.es_PE.fl_str_mv Universidad Nacional del Altiplano. Repositorio Institucional
dc.publisher.country.es_PE.fl_str_mv PE
dc.source.es_PE.fl_str_mv Universidad Nacional del Altiplano
Repositorio Institucional - UNAP
dc.source.none.fl_str_mv reponame:UNAP-Institucional
instname:Universidad Nacional Del Altiplano
instacron:UNAP
instname_str Universidad Nacional Del Altiplano
instacron_str UNAP
institution UNAP
reponame_str UNAP-Institucional
collection UNAP-Institucional
bitstream.url.fl_str_mv https://repositorio.unap.edu.pe/bitstream/20.500.14082/18344/1/Danitza_Yvette_Bermejo_Escobar.pdf
https://repositorio.unap.edu.pe/bitstream/20.500.14082/18344/2/license.txt
https://repositorio.unap.edu.pe/bitstream/20.500.14082/18344/3/Danitza_Yvette_Bermejo_Escobar.pdf.txt
bitstream.checksum.fl_str_mv 578f0f6599ad6b97047ddc62ba653e59
c52066b9c50a8f86be96c82978636682
f19a311db68b29f1bf05a657b389fff3
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional de la Universidad Nacional del Altiplano
repository.mail.fl_str_mv dspace-help@myu.edu
_version_ 1819880788000243712
spelling Sotomayor Alzamora, Guina GuadalupeBermejo Escobar, Danitza Yvette2022-04-22T11:02:55Z2022-04-22T11:02:55Z2021-11-16http://repositorio.unap.edu.pe/handle/20.500.14082/18344Actualmente, el uso de técnicas de aprendizaje profundo en la clasificación de especies se ha convertido en un área atractivo de investigación. Asimismo, la clasificación de especies forestales maderables en el Perú fue determinada como un problema crítico-prioritario por las autoridades forestales, debido al impacto negativo que lleva una incorrecta clasificación sobre los intereses nacionales. La presente investigación se centró en la comparación de los modelos de aprendizaje por transferencia: AlexNet, VGG-19, Inception V3 y ResNet-101, redes neuronales convolucionales pre-entrenadas para la clasificación de especies. Para ello, se presentó el conjunto de datos denominado Peruvian Amazon Forestry Dataset, conformado por 59,441 imágenes pertenecientes a 10 especies forestales maderables de la Amazonia peruana en peligro de extinción y con importancia económica. Para los experimentos se usaron dos tipos de datos de entrada (imágenes segmentadas e imágenes no segmentadas). Los modelos fueron evaluados cuantitativa (exactitud, precisión, exhaustividad y valor-F1) y cualitativamente (interpretabilidad visual). Los resultados presentan valores significativos para la red VGG-19 al utilizar entradas no segmentadas, alcanzando un 97.61% de exactitud en el entrenamiento, 98.87% en la validación, y una exactitud del 97.02% en el test. Además, gracias a la interpretabilidad, se observó que VGG-19 clasifica a partir de la forma y la vena de la hoja. Por último, es posible concluir que el modelo VGG-19 es una herramienta útil para que especialistas y materos para clasificar especies forestales maderables en tiempo real.Tesisapplication/pdfspaUniversidad Nacional del Altiplano. Repositorio InstitucionalPEinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by/4.0/deed.esUniversidad Nacional del AltiplanoRepositorio Institucional - UNAPreponame:UNAP-Institucionalinstname:Universidad Nacional Del Altiplanoinstacron:UNAPAmazonia peruanaClasificación de imágenesEspecies forestales maderablesRedes neuronales convolucionaleshttps://purl.org/pe-repo/ocde/ford#2.02.04Estudio comparativo de redes neuronales convolucionales para la clasificación de especies forestales maderables en la amazonía peruanainfo:eu-repo/semantics/masterThesisSUNEDUMaestro en Ingeniería de SistemasIngeniería de SistemasUniversidad Nacional del Altiplano. Escuela de PosgradoMaestríahttps://orcid.org/0000-0002-0216-594740308192https://purl.org/pe-repo/renati/type#tesishttps://purl.org/pe-repo/renati/nivel#maestro612087Condori Alejo, Henry IvanJimenez Chura, Adolfo CarlosFlores Velasquez, Edelfre70311819ORIGINALDanitza_Yvette_Bermejo_Escobar.pdfDanitza_Yvette_Bermejo_Escobar.pdfapplication/pdf8541640https://repositorio.unap.edu.pe/bitstream/20.500.14082/18344/1/Danitza_Yvette_Bermejo_Escobar.pdf578f0f6599ad6b97047ddc62ba653e59MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81327https://repositorio.unap.edu.pe/bitstream/20.500.14082/18344/2/license.txtc52066b9c50a8f86be96c82978636682MD52TEXTDanitza_Yvette_Bermejo_Escobar.pdf.txtDanitza_Yvette_Bermejo_Escobar.pdf.txtExtracted texttext/plain205727https://repositorio.unap.edu.pe/bitstream/20.500.14082/18344/3/Danitza_Yvette_Bermejo_Escobar.pdf.txtf19a311db68b29f1bf05a657b389fff3MD5320.500.14082/18344oai:https://repositorio.unap.edu.pe:20.500.14082/183442022-11-04 19:45:43.541Repositorio institucional de la Universidad Nacional del Altiplanodspace-help@myu.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
score 13.882472
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).