Modelo computacional basado en redes neuronales convolucionales para identificar especies de coccinélidos presentes en la región Arequipa

• Autor: Chura Bravo, Andres Celso
• Formato: tesis de maestría
• Fecha de Publicación: 2023
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/17395
• Enlace del recurso: https://hdl.handle.net/20.500.12773/17395
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje por transferencia; Identificación de imágenes; Coccinélidos; Redes neuronales convolucionales; https://purl.org/pe-repo/ocde/ford#3.04.02

Los coccinélidos (Coleoptera: Coccinellidae) son insectos de importancia en la naturaleza y en los agoecosistemas, donde principalmente actúan como controladores naturales de diversas plagas. La identificación de especies de insectos, incluyendo a los coccinélidos, conlleva cierta dificultad, y a esto se suma la escasez de especialistas que realicen esta labor, por la cual en los últimos años se ha estudiado el uso de la inteligencia artificial y el aprendizaje automatizado para realizar esta tarea. Esta investigación busca desarrollar un modelo para la identificación de insectos pertenecientes a la familia Coccinellidae presentes en la región Arequipa, mediante el uso de redes neuronales convolucionales. Se conformó un set de datos de 4073 imágenes de las especies Adalia bipunctata (559), Cycloneda arcula (65), C. sanguinea (542), Cheilomenes sexmaculata (526), Eriopis spp. (536), Harmonia axyridis (682), Hippodamia convergens (578) e H. variegata (585) con las cuales, utilizando transfer learning, se entrenó con y validó los modelos Inception V3, VGG16 y MobileNet V2. Inception V3 al mostrar mejores resultados fue entrenado nuevamente con fine tuning, alcanzando una exactitud del 86,26 % y una precisión del 87,01 %. En la vali dación el modelo logró una precisión del 100 % para Eriopis spp., 90 % para A. bipunctata, C. sanguinea, H. axyridis y C. sexmaculata; 70 % para H. conver gens, 60 % para H. variegata y 20 % para C. arcula; y de forma global mostró una exactitud del 76,25 %. La baja precisión al identificar imágenes de C. arcula se relaciona con la limitada cantidad de datos para el entrenamiento y su similitud con algunos individuos de C. sexmaculata.