Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá
RESUMEN : Uno de los retos para el uso de los macroinvertebrados como bioindicadores de la calidad del agua es la necesidad de especialistas en taxonomía, por lo que se han venido utilizando en los últimos años algoritmos de visón artificial para realizar la clasificación de los organismos mediante...
- Autores:
-
Ospina Arcila, Sara
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/36409
- Acceso en línea:
- https://hdl.handle.net/10495/36409
- Palabra clave:
- Contaminación del agua
Water pollution
Ojo artificial
Artificial vision
Redes neurales (computador)
Neural networks (Computer science)
Macroinvertebrados
Macroinvertebrates
Reconocimiento de patrones
http://aims.fao.org/aos/agrovoc/c_10d271a5
http://vocabularies.unesco.org/thesaurus/concept2632
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/2.5/co/
| id |
UDEA2_b869ead2d297982d9609bfe516ff733e |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/36409 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| title |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| spellingShingle |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá Contaminación del agua Water pollution Ojo artificial Artificial vision Redes neurales (computador) Neural networks (Computer science) Macroinvertebrados Macroinvertebrates Reconocimiento de patrones http://aims.fao.org/aos/agrovoc/c_10d271a5 http://vocabularies.unesco.org/thesaurus/concept2632 |
| title_short |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| title_full |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| title_fullStr |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| title_full_unstemmed |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| title_sort |
Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La Ayurá |
| dc.creator.fl_str_mv |
Ospina Arcila, Sara |
| dc.contributor.advisor.none.fl_str_mv |
Serna López, Juan Pablo Aguirre Ramírez, Néstor Jaime Fernández Mc Cann, David Stephen |
| dc.contributor.author.none.fl_str_mv |
Ospina Arcila, Sara |
| dc.contributor.researchgroup.spa.fl_str_mv |
GeoLimna GEPAR-Grupo de Electrónica de Potencia, Automatización y Robótica |
| dc.subject.unesco.none.fl_str_mv |
Contaminación del agua Water pollution |
| topic |
Contaminación del agua Water pollution Ojo artificial Artificial vision Redes neurales (computador) Neural networks (Computer science) Macroinvertebrados Macroinvertebrates Reconocimiento de patrones http://aims.fao.org/aos/agrovoc/c_10d271a5 http://vocabularies.unesco.org/thesaurus/concept2632 |
| dc.subject.lemb.none.fl_str_mv |
Ojo artificial Artificial vision Redes neurales (computador) Neural networks (Computer science) |
| dc.subject.agrovoc.none.fl_str_mv |
Macroinvertebrados Macroinvertebrates |
| dc.subject.proposal.spa.fl_str_mv |
Reconocimiento de patrones |
| dc.subject.agrovocuri.none.fl_str_mv |
http://aims.fao.org/aos/agrovoc/c_10d271a5 |
| dc.subject.unescouri.none.fl_str_mv |
http://vocabularies.unesco.org/thesaurus/concept2632 |
| description |
RESUMEN : Uno de los retos para el uso de los macroinvertebrados como bioindicadores de la calidad del agua es la necesidad de especialistas en taxonomía, por lo que se han venido utilizando en los últimos años algoritmos de visón artificial para realizar la clasificación de los organismos mediante imágenes. El presente trabajo utiliza técnicas de transferencia de aprendizaje, comparando los algoritmos de aprendizaje profundo AlexNet, GoogleNet, ResNet18, ResNet50, ResNet101 e InceptionV3 para la determinación de tres familias de macroinvertebrados, construyendo un banco de imágenes mediante estereomicroscopio para el entrenamiento, validación y prueba de los modelos. Posteriormente, se realizan pruebas con imágenes tomadas con un montaje de campo en diferentes formatos de imagen y estados del organismo. La base de datos fue construida con las familias Baetidae, Elmidae e Hydropsychidae, ya que poseen abundancia y presencia en un punto de la quebrada durante el periodo 2007 a 2023, en cuanto al entrenamiento y validación, se obtuvo una precisión por encima del 98,2% en todas las redes neuronales, mientras que, en la prueba dentro de la misma base de datos, todas las redes exceptuando ResNet101 lograron realizar bien la clasificación. Para la prueba con imágenes del montaje de campo, GoogleNet es modelo que posee mejores métricas en la matriz de confusión y con el cual se construyó una interfaz de usuario. Finalmente, el análisis de este modelo plantea nuevos retos para la clasificación de organismos vivos y para el procesamiento digital de las imágenes. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-08-28T20:34:00Z |
| dc.date.available.none.fl_str_mv |
2023-08-28T20:34:00Z |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.spa.fl_str_mv |
https://purl.org/redcol/resource_type/TP |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10495/36409 |
| url |
https://hdl.handle.net/10495/36409 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/co/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
54 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Ingeniería Ambiental |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/0cdd463d-f2f4-4134-aeeb-d745f4ace89c/download https://bibliotecadigital.udea.edu.co/bitstreams/d9b7192d-561a-4148-b1a6-c5af97a37c94/download https://bibliotecadigital.udea.edu.co/bitstreams/a0c88f21-0905-4af2-8b38-0e18edf809a7/download https://bibliotecadigital.udea.edu.co/bitstreams/a36a3920-3bd7-43e0-80a0-4a3047ffa529/download https://bibliotecadigital.udea.edu.co/bitstreams/ebb5b152-b733-4a70-830e-30a5921fa117/download |
| bitstream.checksum.fl_str_mv |
e2060682c9c70d4d30c83c51448f4eed 83bc3ddf87aa2ca396349642a3bb59b8 8a4605be74aa9ea9d79846c1fba20a33 1a1c0d0109676b0207a91d35f2ca3a29 1a37698052d22f0f694c393ea43885b0 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052111744204800 |
| spelling |
Serna López, Juan PabloAguirre Ramírez, Néstor JaimeFernández Mc Cann, David StephenOspina Arcila, SaraGeoLimnaGEPAR-Grupo de Electrónica de Potencia, Automatización y Robótica2023-08-28T20:34:00Z2023-08-28T20:34:00Z2023https://hdl.handle.net/10495/36409RESUMEN : Uno de los retos para el uso de los macroinvertebrados como bioindicadores de la calidad del agua es la necesidad de especialistas en taxonomía, por lo que se han venido utilizando en los últimos años algoritmos de visón artificial para realizar la clasificación de los organismos mediante imágenes. El presente trabajo utiliza técnicas de transferencia de aprendizaje, comparando los algoritmos de aprendizaje profundo AlexNet, GoogleNet, ResNet18, ResNet50, ResNet101 e InceptionV3 para la determinación de tres familias de macroinvertebrados, construyendo un banco de imágenes mediante estereomicroscopio para el entrenamiento, validación y prueba de los modelos. Posteriormente, se realizan pruebas con imágenes tomadas con un montaje de campo en diferentes formatos de imagen y estados del organismo. La base de datos fue construida con las familias Baetidae, Elmidae e Hydropsychidae, ya que poseen abundancia y presencia en un punto de la quebrada durante el periodo 2007 a 2023, en cuanto al entrenamiento y validación, se obtuvo una precisión por encima del 98,2% en todas las redes neuronales, mientras que, en la prueba dentro de la misma base de datos, todas las redes exceptuando ResNet101 lograron realizar bien la clasificación. Para la prueba con imágenes del montaje de campo, GoogleNet es modelo que posee mejores métricas en la matriz de confusión y con el cual se construyó una interfaz de usuario. Finalmente, el análisis de este modelo plantea nuevos retos para la clasificación de organismos vivos y para el procesamiento digital de las imágenes.ABSTRACT : One of the challenges for the use of macroinvertebrates as bioindicators of water quality is the need for specialists in taxonomy, so in recent years artificial mimicry algorithms have been used to classify organisms using images. The present work uses transfer learning techniques, comparing the deep learning algorithms AlexNet, GoogleNet, ResNet18, ResNet50, ResNet101 and InceptionV3 for the determination of three families of macroinvertebrates, building an image bank for training, validation and testing of the models using stereomicroscopy. Subsequently, tests are performed with images taken with a field setup in different image formats and organism states. The database was constructed with the families Baetidae, Elmidae and Hydropsychidae, since they have abundance and presence in a point of the creek during the period 2007 to 2023, in terms of training and validation, an accuracy above 98.2% was obtained in all neural networks, while, in the test within the same database, all networks except ResNet101 managed to perform well the classification. For the test with images from the field assembly, GoogleNet is the model with the best metrics in the confusion matrix and with which a user interface was built. Finally, the analysis of this model poses new challenges for the classification of living organisms and for digital image processing.PregradoIngeniería Sanitaria54application/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Ingeniería Ambientalhttp://creativecommons.org/licenses/by-nc-sa/2.5/co/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Visión artificial para la determinación de tres familias de macroinvertebrados acuáticos: Caso de estudio quebrada La AyuráTesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1fhttps://purl.org/redcol/resource_type/TPhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/draftContaminación del aguaWater pollutionOjo artificialArtificial visionRedes neurales (computador)Neural networks (Computer science)MacroinvertebradosMacroinvertebratesReconocimiento de patroneshttp://aims.fao.org/aos/agrovoc/c_10d271a5http://vocabularies.unesco.org/thesaurus/concept2632PublicationCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81051https://bibliotecadigital.udea.edu.co/bitstreams/0cdd463d-f2f4-4134-aeeb-d745f4ace89c/downloade2060682c9c70d4d30c83c51448f4eedMD52falseAnonymousREADORIGINALOspinaSara_2023_VisionArtificialMacroinvertebrados.pdfOspinaSara_2023_VisionArtificialMacroinvertebrados.pdfTrabajo de grado de pregradoapplication/pdf5545756https://bibliotecadigital.udea.edu.co/bitstreams/d9b7192d-561a-4148-b1a6-c5af97a37c94/download83bc3ddf87aa2ca396349642a3bb59b8MD51trueAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/a0c88f21-0905-4af2-8b38-0e18edf809a7/download8a4605be74aa9ea9d79846c1fba20a33MD53falseAnonymousREADTEXTOspinaSara_2023_VisionArtificialMacroinvertebrados.pdf.txtOspinaSara_2023_VisionArtificialMacroinvertebrados.pdf.txtExtracted texttext/plain95023https://bibliotecadigital.udea.edu.co/bitstreams/a36a3920-3bd7-43e0-80a0-4a3047ffa529/download1a1c0d0109676b0207a91d35f2ca3a29MD58falseAnonymousREADTHUMBNAILOspinaSara_2023_VisionArtificialMacroinvertebrados.pdf.jpgOspinaSara_2023_VisionArtificialMacroinvertebrados.pdf.jpgGenerated Thumbnailimage/jpeg6887https://bibliotecadigital.udea.edu.co/bitstreams/ebb5b152-b733-4a70-830e-30a5921fa117/download1a37698052d22f0f694c393ea43885b0MD59falseAnonymousREAD10495/36409oai:bibliotecadigital.udea.edu.co:10495/364092025-03-26 17:08:19.485http://creativecommons.org/licenses/by-nc-sa/2.5/co/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |
