Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea

El Pinus pinea es una especie arbórea originaria de la región mediterránea de gran importancia económica en la Península Ibérica (España y Portugal), costas del norte y oriente del Mediterráneo, noreste de Turquía y Francia. Actualmente, su producción, principalmente definida por toneladas de piña/h...

Full description

Autores:
Franco Beleño, Francisco Javier
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2022
Institución:
Universidad de Ibagué
Repositorio:
Repositorio Universidad de Ibagué
Idioma:
spa
OAI Identifier:
oai:repositorio.unibague.edu.co:20.500.12313/4777
Acceso en línea:
https://hdl.handle.net/20.500.12313/4777
Palabra clave:
Conteo automático de flores - Plataforma aerea
Estrategia de deep learning - Conteo automático de flores
Aprendizaje profundo
Pinus pinea
Productividad forestal
Sensores RGB
Sensado remoto
Machine learning
Pinus pinea
Forest productivity
RGB
Remote sensing
Rights
openAccess
License
http://purl.org/coar/access_right/c_abf2
id UNIBAGUE2_058d6672681130da920ca3eff42816de
oai_identifier_str oai:repositorio.unibague.edu.co:20.500.12313/4777
network_acronym_str UNIBAGUE2
network_name_str Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
title Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
spellingShingle Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
Conteo automático de flores - Plataforma aerea
Estrategia de deep learning - Conteo automático de flores
Aprendizaje profundo
Pinus pinea
Productividad forestal
Sensores RGB
Sensado remoto
Machine learning
Pinus pinea
Forest productivity
RGB
Remote sensing
title_short Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
title_full Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
title_fullStr Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
title_full_unstemmed Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
title_sort Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea
dc.creator.fl_str_mv Franco Beleño, Francisco Javier
dc.contributor.advisor.none.fl_str_mv Fernández Gallego, José Armando
Kefauver, Shawn C
dc.contributor.author.none.fl_str_mv Franco Beleño, Francisco Javier
dc.subject.armarc.none.fl_str_mv Conteo automático de flores - Plataforma aerea
Estrategia de deep learning - Conteo automático de flores
topic Conteo automático de flores - Plataforma aerea
Estrategia de deep learning - Conteo automático de flores
Aprendizaje profundo
Pinus pinea
Productividad forestal
Sensores RGB
Sensado remoto
Machine learning
Pinus pinea
Forest productivity
RGB
Remote sensing
dc.subject.proposal.spa.fl_str_mv Aprendizaje profundo
Pinus pinea
Productividad forestal
Sensores RGB
Sensado remoto
dc.subject.proposal.eng.fl_str_mv Machine learning
Pinus pinea
Forest productivity
RGB
Remote sensing
description El Pinus pinea es una especie arbórea originaria de la región mediterránea de gran importancia económica en la Península Ibérica (España y Portugal), costas del norte y oriente del Mediterráneo, noreste de Turquía y Francia. Actualmente, su producción, principalmente definida por toneladas de piña/hectárea, se estima de forma subjetiva contando visualmente el número de piñas en una sección de árboles para luego extrapolar la productividad del bosque antes de comenzar con la recolección. Este trabajo propone utilizar imágenes RGB de alta resolución adquiridas desde un vehículo aéreo no tripulado (UAV) en etapas tempranas del cultivo para contar el número de flores visibles. Las flores suelen estar superpuestas en un mismo sector de la imagen. Trabajos previos han relacionado el número de flores con el número de piñas en esta especie. VGG Image Annotator (VIA) fue utilizado para segmentar y cuantificar manualmente las flores contenidas en las imágenes y Coco Annotator para reajustar las etiquetas. La red Mask R- CNN fue implementada para realizar segmentación por instancias, como backbone (red troncal/extractor de aracterísticas) se utilizó una ResNet50. Como resultado, el modelo delimita y ubica en la imagen los pixeles correspondientes a cada flor obteniendo un Average Precision (AP) de 79.89 %. Además, el sistema realiza el conteo total de flores detectadas. El modelo fue implementado utilizando Python 3, Keras y TensorFlow.
publishDate 2022
dc.date.issued.none.fl_str_mv 2022
dc.date.accessioned.none.fl_str_mv 2025-03-04T22:31:44Z
dc.date.available.none.fl_str_mv 2025-03-04T22:31:44Z
dc.type.none.fl_str_mv Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv Text
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv info:eu-repo/semantics/acceptedVersion
format http://purl.org/coar/resource_type/c_7a1f
status_str acceptedVersion
dc.identifier.citation.none.fl_str_mv Franco Beleño, F.J.(2022).Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4777
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12313/4777
identifier_str_mv Franco Beleño, F.J.(2022).Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4777
url https://hdl.handle.net/20.500.12313/4777
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv V. Loewe Muñoz, D. Soto, and J. Gysling, “Antecedentes del Mercado Internacional de Piñones de Pino.,” Cienc. e Investig. For., vol. 14, no. 3, pp. 599– 623, 2008.
J. R. Cerrillo Navarro, Ma Rafael Guzmán Álvarez, I. Clavero Rumbao, A. Moyano García, and R. Salas de la Vega, “Efecto de las repoblaciones de pino carrasco en el cambio de usos del suelo en el PN Montes de Málaga,” Cuad. la Soc. Española Ciencias For., vol. 28, pp. 89–94, 2008.
V. Loewe Muñoz and O. M. González, “Pino piñonero: el potencial de su madera y fruto,” vol. 334, pp. 49–53, 2007.
VelSid, “Piñón (Pinus pinea) | Gastronomía & Cía,” 2009. https://gastronomiaycia.republica.com/2009/05/13/pinon-pinus-pinea/ (accessed Jan. 11, 2022).
“El pino piñonero - Lionel Hignard, Alain Ponttopidan - Google Libros.” https://books.google.com.co/books?hl=es&lr=&id=C9KpKNYQY7MC&oi=fnd&pg=P A9&dq=El+pino+piñonero+recetas&ots=6EgdiHD74L&sig=JM8U0tgq5WdjXwP_xQ gyhDKqBgo&redir_esc=y#v=onepage&q=receta&f=false (accessed Jun. 15, 2021).
V. Loewe Muñoz, R. C. Delard, G. M. González, and G. A. Venegas, “Pino Piñonero (Pinus pinea L.) en Chile, un siglo de adaptación en el área austral de América Latina.,” V Congr. For. Latinoam. (CONFLAT). 18-21 Oct. 2011, 2011.
S. Ortuño Pérez and J. Barranco Reyes, “Aproximación al sector del piñón en España,” Rev. española Estud. agrosociales y Pesq., no. 201, pp. 165–192, 2004.
R. Schneider, R. Calama, and O. Martin-Ducup, “Understanding Tree-to-Tree Variations in Stone Pine (Pinus pinea L.) Cone Production Using Terrestrial Laser Scanner,” Remote Sens., vol. 12, no. 1, p. 173, 2020, doi: 10.3390/rs12010173.
U. of B. Integrative Crop Ecophysiology Research Group et al., “PROOF OF CONCEPT OF THE DIRECT QUANTIFICATION OF THE PRODUCTION OF PINECONES THROUGH REMOTE SENSORS,” Bosch i Gimpera, pp. 1–20, 2020.
J. Guerra-Hernández et al., “Using high resolution UAV imagery to estimate tree variables in Pinus pinea plantation in Portugal,” For. Syst., vol. 25, no. 2, p. 5, 2016, doi: 10.5424/fs/2016252-08895.
R. C. Gonzalez, R. E. Woods, and B. R. Masters, “Digital Image Processing, Third Edition,” J. Biomed. Opt., vol. 14, no. 2, p. 029901, 2009, doi: 10.1117/1.3115362.
S. Raschka and V. Mirjalili, Python machine learning, Third edit. 2019.
K. Arai and S. Kapoor, Advances in Intelligent Systems and Computing, vol. 2. Springer, 2019.
V. Loewe Muñoz, M. Toral I., C. Delard R., C. López L., and E. Urquieta N., Pino Piñonero. Santiago Chile, 1997.
F. Isensee, P. F. Jaeger, S. A. A. Kohl, J. Petersen, and K. H. Maier-Hein, “nnU- Net: a self-configuring method for deep learning-based biomedical image segmentation,” Nat. Methods, vol. 18, no. 2, pp. 203–211, 2021, doi: 10.1038/s41592-020-01008-z.
GeeksforGeeks, “Python Virtual Environment | Introduction,” 2020. https://www.geeksforgeeks.org/python-virtual-environment/ (accessed Feb. 07, 2022).
DreamHost, “Instalar y usar virtualenv con Python 3.” https://help.dreamhost.com/hc/es/articles/115000695551-Instalar-y-usar-virtualenv- con-Python-3 (accessed Feb. 07, 2022).
Python, “What is Python? Executive Summary.” https://www.python.org/doc/essays/blurb/ (accessed Feb. 07, 2022).
Universidad de Alcalá, “Scikit-Learn, herramienta básica para el Data Science en Python.” https://www.master-data-scientist.com/scikit-learn-data-science/ (accessed Jan. 12, 2022).
Keras, “Keras: the Python deep learning API.” https://keras.io/ (accessed Jan. 12, 2022).
Tensorflow, “TensorFlow.” https://www.tensorflow.org/ (accessed Jan. 12, 2022).
IONOS, “Jupyter Notebook: La herramienta de Python para procesar datos,” 2019. https://www.ionos.es/digitalguide/paginas-web/desarrollo-web/jupyter-notebook/ (accessed Feb. 07, 2022).
L. Zerna, “CPU — GPU — TPU,” 2019. https://leslysandra.medium.com/cpu-gpu- tpu-e4a686d3dbc9 (accessed Feb. 07, 2022).
Colab, “GPU vs TPU.” [Online]. Available: https://colab.research.google.com/github/zaidalyafeai/Notebooks/blob/master/GPU vsTPU.ipynb#scrollTo=J6eOKfyW38rN.
MathWorks, “Reconocimiento de objetos.”https://la.mathworks.com/solutions/image-video-processing/object- recognition.html#:~:text=En el caso de deep,objetos en la misma imagen.&text=Reconocimiento de objetos (izquierda) y,detección de objetos (derecha). (accessed Feb. 11, 2022).
MathWorks, “Segmentación semántica.” https://la.mathworks.com/solutions/image- video-processing/semantic-segmentation.html (accessed Feb. 11, 2022).
MathWorks, “Getting Started with Mask R-CNN for Instance Segmentation.” https://www.mathworks.com/help/vision/ug/getting-started-with-mask-r-cnn-for- instance-segmentation.html#mw_fc9c03cd-4ece-4687-839c-2554a01496b5 (accessed Feb. 11, 2022).
T-Systems, “Los etiquetadores de la Inteligencia Artificial, profesionales imprescindibles,” 2019. https://www.t-systemsblog.es/los-etiquetadores-de-la- inteligencia-artificial-profesionales-imprescindibles/#:~:text=El etiquetado de datos es,de aprendizaje automático e IA.&text=Estos conjuntos de datos de,aprenda lo más rápido posible. (accessed Feb. 12, 2022).
A. Dutta, A. Gupta, and A. Zisserman, “Visual Geometry Gruup - University of Oxford.” https://www.robots.ox.ac.uk/~vgg/software/via/ (accessed Feb. 12, 2022).
Jsbroks, “Coco annotator.” https://github.com/jsbroks/coco-annotator (accessed Feb. 12, 2022).
Oracle, “¿Qué es la inteligencia artificial (IA)?” https://www.oracle.com/es/artificial- intelligence/what-is-ai/ (accessed Feb. 13, 2022).
F. Chollet, “Deep learning with python,” Second., Manning Publications, 2017.
MathWorks, “Deep Learning: Tres cosas que es necesario saber - MATLAB & Simulink.” https://es.mathworks.com/discovery/deep-learning.html (accessed Jan. 11, 2022).
Oracle, “Inteligencia Artificial, Machine Learning, Deep Learning: una historia de muñecas rusas.” https://www.oracle.com/es/database/cloud/algoritmos-machine- learning.html (accessed Feb. 13, 2022).
A. Oppermann, “Artificial Intelligence vs. Machine Learning vs. Deep Learning,” 2019. https://towardsdatascience.com/artificial-intelligence-vs-machine-learning-vs- deep-learning-2210ba8cc4ac (accessed Feb. 14, 2022).
X. Basogain Olabe, “REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES,” [Online]. Available: http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/p df/libro-del-curso.pdf.
M. Attal, “¿Qué es el Transfer Learning?,” 2022. https://datascientest.com/es/que- es-el-transfer-learning#:~:text=“El Transfer Learning%2C o aprendizaje,el crecimiento del Deep Learning. (accessed Mar. 23, 2022).
J. Brownlee, “Transfer Learning in Keras with Computer Vision Models,” 2020. https://machinelearningmastery.com/how-to-use-transfer-learning-when- developing-convolutional-neural-network-models/ (accessed Apr. 03, 2022).
K. He, G. Gkioxari, P. Dollár, R. Girshick, and Facebook AI Research (FAIR), “Mask R-CNN,” Proc. IEEE Int. Conf. Comput. Vis., pp. 2961–2969, 2017, [Online]. Available: https://arxiv.org/pdf/1703.06870.pdf.
W. Abdulla, “Splash of Color: Instance Segmentation with Mask R-CNN and TensorFlow,” 2018. https://engineering.matterport.com/splash-of-color-instance- segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46 (accessed Feb. 14, 2022).
T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie, “Feature Pyramid Networks for Object Detection,” Proc. IEEE Conf. Comput. Vis. pattern Recognit., pp. 2117–2125, 2017, [Online]. Available: https://arxiv.org/pdf/1612.03144.pdf.
K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” 2015. https://arxiv.org/abs/1512.03385 (accessed Feb. 23, 2022).
M. Rivera, “La Red Residual (Residual Network, ResNet),” 2019. http://personal.cimat.mx:8181/~mrivera/cursos/aprendizaje_profundo/resnet/resnet. html (accessed Feb. 23, 2022).
G. L. Team, “Introduction to Resnet or Residual Network,” 2020. https://www.mygreatlearning.com/blog/resnet/ (accessed Feb. 23, 2022).
Neurohive, “ResNet (34, 50, 101): Residual CNNs for Image Classification Tasks,” 2019. https://neurohive.io/en/popular-networks/resnet/ (accessed Feb. 23, 2022).
S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” 2016. https://arxiv.org/abs/1506.01497 (accessed Feb. 24, 2022).
R. Girshick, “Fast R-CNN,” 2015. https://arxiv.org/abs/1504.08083 (accessed Feb. 24, 2022).
H. Jung, B. Lodhi, and J. Kang, “An automatic nuclei segmentationmethod based on deep convolutional neuralnetworks for histopathology images,” 2019. https://www.researchgate.net/publication/336615317_An_automatic_nuclei_segme ntation_method_based_on_deep_convolutional_neural_networks_for_histopatholo gy_images (accessed Apr. 20, 2022).
ProgrammerSought, “Machine learning (12) cross-validation example.” https://programmersought.com/article/229080330/ (accessed Apr. 28, 2022).
dc.rights.accessrights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://purl.org/coar/access_right/c_abf2
Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv 81 páginas
dc.format.mimetype.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv Ingeniería
dc.publisher.place.none.fl_str_mv Ibagué
dc.publisher.program.none.fl_str_mv Ingeniería Electrónica
publisher.none.fl_str_mv Universidad de Ibagué
institution Universidad de Ibagué
bitstream.url.fl_str_mv https://repositorio.unibague.edu.co/bitstreams/24fb7d00-903c-4def-ad4d-9f55637cfd35/download
https://repositorio.unibague.edu.co/bitstreams/bb474c0c-36f2-4a70-9c6e-7e75619441a3/download
https://repositorio.unibague.edu.co/bitstreams/646efd1e-1756-42d0-9ca9-76ea8d282855/download
https://repositorio.unibague.edu.co/bitstreams/43d92168-31c6-44cb-a541-1e4139c75c71/download
https://repositorio.unibague.edu.co/bitstreams/7463f70b-40e5-4312-b558-9996545ab0c5/download
https://repositorio.unibague.edu.co/bitstreams/900bd395-0f92-4411-915d-0747677db4a2/download
https://repositorio.unibague.edu.co/bitstreams/8ac54dc8-ad83-4407-b779-956a82d4152f/download
https://repositorio.unibague.edu.co/bitstreams/a6f647b0-4165-4fcf-853f-f9037c2e2cf7/download
bitstream.checksum.fl_str_mv 784508e6ca1ccf030fb59adaf3e839ad
f82a372c52beaf61a4154b62cd3a5619
b052c373981354b4a1255e289cfeeb3a
2fa3e590786b9c0f3ceba1b9656b7ac3
76cf6bd541991c9947666c60712d9f53
f740c8ccacc534be79c0ded0ecd8b0ba
990d68c6cd54c0d16d1d30eef2602a9c
76c7b50fffca89816ebb610deba49df9
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv bdigital@metabiblioteca.com
_version_ 1851059971556376576
spelling Fernández Gallego, José Armandod2c5386d-f50b-49b2-b1ac-3ca032166759-1Kefauver, Shawn C032a6aa9-3d29-46ab-abf6-daa67c7e405e-1Franco Beleño, Francisco Javierad6adca7-794b-48ee-964f-b3a7d32bc821-12025-03-04T22:31:44Z2025-03-04T22:31:44Z2022El Pinus pinea es una especie arbórea originaria de la región mediterránea de gran importancia económica en la Península Ibérica (España y Portugal), costas del norte y oriente del Mediterráneo, noreste de Turquía y Francia. Actualmente, su producción, principalmente definida por toneladas de piña/hectárea, se estima de forma subjetiva contando visualmente el número de piñas en una sección de árboles para luego extrapolar la productividad del bosque antes de comenzar con la recolección. Este trabajo propone utilizar imágenes RGB de alta resolución adquiridas desde un vehículo aéreo no tripulado (UAV) en etapas tempranas del cultivo para contar el número de flores visibles. Las flores suelen estar superpuestas en un mismo sector de la imagen. Trabajos previos han relacionado el número de flores con el número de piñas en esta especie. VGG Image Annotator (VIA) fue utilizado para segmentar y cuantificar manualmente las flores contenidas en las imágenes y Coco Annotator para reajustar las etiquetas. La red Mask R- CNN fue implementada para realizar segmentación por instancias, como backbone (red troncal/extractor de aracterísticas) se utilizó una ResNet50. Como resultado, el modelo delimita y ubica en la imagen los pixeles correspondientes a cada flor obteniendo un Average Precision (AP) de 79.89 %. Además, el sistema realiza el conteo total de flores detectadas. El modelo fue implementado utilizando Python 3, Keras y TensorFlow.PregradoIngeniero ElectrónicoResumen.....VI Lista de figuras.....X Lista de tablas.....XII Introducción.....13 1. Marco Teórico.....21 1.1 Pinus pinea.....21 1.1.1 Ramillas.....21 1.1.2 Conos.....21 1.1.3 Semillas.....21 1.1.4 Fruto.....22 1.1.5 Otros usos.....22 1.2 Entorno virtual.....22 1.2.1 Virtualenv.....22 1.2.2 Anaconda.....22 1.2.3 Python.....23 1.2.4 Keras.....24 1.2.5 TensorFlow.....24 1.2.6 Jupyter notebook.....24 1.2.7 CPU, GPU, TPU.....24 1.3 Procesamiento de imágenes.....26 1.4 Identificación de objetos.....27 1.4.1 Reconocimiento de objetos.....28 1.4.2 Detección de objetos.....28 1.4.3 Segmentación semántica.....29 1.4.4 Segmentación de instancias.....30 1.4.5 Etiquetador.....31 1.5 Inteligencia artificial (IA).....33 1.5.1 Aprendizaje automático (ML).....35 1.5.2 Aprendizaje profundo (DL).....37 1.5.3 Transferencia de aprendizaje.....40 1.6 Mask R-CNN.....40 1.6.1 Backbone.....41 1.6.2 Red piramidal de características.....42 1.6.3 Redes residuales profundas.....42 1.6.4 Red de propuestas regionales.....43 1.6.5 Clasificador de ROI y regresor de cuadro delimitador.....45 1.6.6 Máscaras de segmentación.....47 1.7 Métricas.....48 1.7.1 Matriz de confusión.....48 1.7.2 Error de predicción (ERR) y precisión (ACC).....48 1.7.3 Tasa de verdaderos positivos (TPR) y tasa de falsos positivos (FPR).....49 1.7.4 Precisión (PRE), recuperación (REC) y puntuación F1.....49 1.7.5 Desequilibrio de clases.....49 1.7.6 Tensorboard.....50 2. Método para la detección de la flor de Pinus pinea.....51 2.1 Protocolo de adquisición de imágenes.....51 2.2 Etiquetado.....51 2.2.1 Ajuste de los datos.....52 2.3 Carga y verificación del conjunto de datos de entrenamiento.....54 2.4 Configuración del modelo.....55 2.5 Entrenamiento del modelo.....57 2.6 Validación del modelo.....59 3. Análisis de resultados.....61 4. Conclusiones y recomendaciones.....73 4.1 Conclusiones.....73 4.2 Recomendaciones.....74 A. Anexo: Hiperparámetros modificados de los modelos entrenados.....75 Referencias bibliográficas.....7781 páginasapplication/pdfFranco Beleño, F.J.(2022).Detección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aérea.[Trabajo de grado, Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4777https://hdl.handle.net/20.500.12313/4777spaUniversidad de IbaguéIngenieríaIbaguéIngeniería ElectrónicaV. Loewe Muñoz, D. Soto, and J. Gysling, “Antecedentes del Mercado Internacional de Piñones de Pino.,” Cienc. e Investig. For., vol. 14, no. 3, pp. 599– 623, 2008.J. R. Cerrillo Navarro, Ma Rafael Guzmán Álvarez, I. Clavero Rumbao, A. Moyano García, and R. Salas de la Vega, “Efecto de las repoblaciones de pino carrasco en el cambio de usos del suelo en el PN Montes de Málaga,” Cuad. la Soc. Española Ciencias For., vol. 28, pp. 89–94, 2008.V. Loewe Muñoz and O. M. González, “Pino piñonero: el potencial de su madera y fruto,” vol. 334, pp. 49–53, 2007.VelSid, “Piñón (Pinus pinea) | Gastronomía & Cía,” 2009. https://gastronomiaycia.republica.com/2009/05/13/pinon-pinus-pinea/ (accessed Jan. 11, 2022).“El pino piñonero - Lionel Hignard, Alain Ponttopidan - Google Libros.” https://books.google.com.co/books?hl=es&lr=&id=C9KpKNYQY7MC&oi=fnd&pg=P A9&dq=El+pino+piñonero+recetas&ots=6EgdiHD74L&sig=JM8U0tgq5WdjXwP_xQ gyhDKqBgo&redir_esc=y#v=onepage&q=receta&f=false (accessed Jun. 15, 2021).V. Loewe Muñoz, R. C. Delard, G. M. González, and G. A. Venegas, “Pino Piñonero (Pinus pinea L.) en Chile, un siglo de adaptación en el área austral de América Latina.,” V Congr. For. Latinoam. (CONFLAT). 18-21 Oct. 2011, 2011.S. Ortuño Pérez and J. Barranco Reyes, “Aproximación al sector del piñón en España,” Rev. española Estud. agrosociales y Pesq., no. 201, pp. 165–192, 2004.R. Schneider, R. Calama, and O. Martin-Ducup, “Understanding Tree-to-Tree Variations in Stone Pine (Pinus pinea L.) Cone Production Using Terrestrial Laser Scanner,” Remote Sens., vol. 12, no. 1, p. 173, 2020, doi: 10.3390/rs12010173.U. of B. Integrative Crop Ecophysiology Research Group et al., “PROOF OF CONCEPT OF THE DIRECT QUANTIFICATION OF THE PRODUCTION OF PINECONES THROUGH REMOTE SENSORS,” Bosch i Gimpera, pp. 1–20, 2020.J. Guerra-Hernández et al., “Using high resolution UAV imagery to estimate tree variables in Pinus pinea plantation in Portugal,” For. Syst., vol. 25, no. 2, p. 5, 2016, doi: 10.5424/fs/2016252-08895.R. C. Gonzalez, R. E. Woods, and B. R. Masters, “Digital Image Processing, Third Edition,” J. Biomed. Opt., vol. 14, no. 2, p. 029901, 2009, doi: 10.1117/1.3115362.S. Raschka and V. Mirjalili, Python machine learning, Third edit. 2019.K. Arai and S. Kapoor, Advances in Intelligent Systems and Computing, vol. 2. Springer, 2019.V. Loewe Muñoz, M. Toral I., C. Delard R., C. López L., and E. Urquieta N., Pino Piñonero. Santiago Chile, 1997.F. Isensee, P. F. Jaeger, S. A. A. Kohl, J. Petersen, and K. H. Maier-Hein, “nnU- Net: a self-configuring method for deep learning-based biomedical image segmentation,” Nat. Methods, vol. 18, no. 2, pp. 203–211, 2021, doi: 10.1038/s41592-020-01008-z.GeeksforGeeks, “Python Virtual Environment | Introduction,” 2020. https://www.geeksforgeeks.org/python-virtual-environment/ (accessed Feb. 07, 2022).DreamHost, “Instalar y usar virtualenv con Python 3.” https://help.dreamhost.com/hc/es/articles/115000695551-Instalar-y-usar-virtualenv- con-Python-3 (accessed Feb. 07, 2022).Python, “What is Python? Executive Summary.” https://www.python.org/doc/essays/blurb/ (accessed Feb. 07, 2022).Universidad de Alcalá, “Scikit-Learn, herramienta básica para el Data Science en Python.” https://www.master-data-scientist.com/scikit-learn-data-science/ (accessed Jan. 12, 2022).Keras, “Keras: the Python deep learning API.” https://keras.io/ (accessed Jan. 12, 2022).Tensorflow, “TensorFlow.” https://www.tensorflow.org/ (accessed Jan. 12, 2022).IONOS, “Jupyter Notebook: La herramienta de Python para procesar datos,” 2019. https://www.ionos.es/digitalguide/paginas-web/desarrollo-web/jupyter-notebook/ (accessed Feb. 07, 2022).L. Zerna, “CPU — GPU — TPU,” 2019. https://leslysandra.medium.com/cpu-gpu- tpu-e4a686d3dbc9 (accessed Feb. 07, 2022).Colab, “GPU vs TPU.” [Online]. Available: https://colab.research.google.com/github/zaidalyafeai/Notebooks/blob/master/GPU vsTPU.ipynb#scrollTo=J6eOKfyW38rN.MathWorks, “Reconocimiento de objetos.”https://la.mathworks.com/solutions/image-video-processing/object- recognition.html#:~:text=En el caso de deep,objetos en la misma imagen.&text=Reconocimiento de objetos (izquierda) y,detección de objetos (derecha). (accessed Feb. 11, 2022).MathWorks, “Segmentación semántica.” https://la.mathworks.com/solutions/image- video-processing/semantic-segmentation.html (accessed Feb. 11, 2022).MathWorks, “Getting Started with Mask R-CNN for Instance Segmentation.” https://www.mathworks.com/help/vision/ug/getting-started-with-mask-r-cnn-for- instance-segmentation.html#mw_fc9c03cd-4ece-4687-839c-2554a01496b5 (accessed Feb. 11, 2022).T-Systems, “Los etiquetadores de la Inteligencia Artificial, profesionales imprescindibles,” 2019. https://www.t-systemsblog.es/los-etiquetadores-de-la- inteligencia-artificial-profesionales-imprescindibles/#:~:text=El etiquetado de datos es,de aprendizaje automático e IA.&text=Estos conjuntos de datos de,aprenda lo más rápido posible. (accessed Feb. 12, 2022).A. Dutta, A. Gupta, and A. Zisserman, “Visual Geometry Gruup - University of Oxford.” https://www.robots.ox.ac.uk/~vgg/software/via/ (accessed Feb. 12, 2022).Jsbroks, “Coco annotator.” https://github.com/jsbroks/coco-annotator (accessed Feb. 12, 2022).Oracle, “¿Qué es la inteligencia artificial (IA)?” https://www.oracle.com/es/artificial- intelligence/what-is-ai/ (accessed Feb. 13, 2022).F. Chollet, “Deep learning with python,” Second., Manning Publications, 2017.MathWorks, “Deep Learning: Tres cosas que es necesario saber - MATLAB & Simulink.” https://es.mathworks.com/discovery/deep-learning.html (accessed Jan. 11, 2022).Oracle, “Inteligencia Artificial, Machine Learning, Deep Learning: una historia de muñecas rusas.” https://www.oracle.com/es/database/cloud/algoritmos-machine- learning.html (accessed Feb. 13, 2022).A. Oppermann, “Artificial Intelligence vs. Machine Learning vs. Deep Learning,” 2019. https://towardsdatascience.com/artificial-intelligence-vs-machine-learning-vs- deep-learning-2210ba8cc4ac (accessed Feb. 14, 2022).X. Basogain Olabe, “REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES,” [Online]. Available: http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos/p df/libro-del-curso.pdf.M. Attal, “¿Qué es el Transfer Learning?,” 2022. https://datascientest.com/es/que- es-el-transfer-learning#:~:text=“El Transfer Learning%2C o aprendizaje,el crecimiento del Deep Learning. (accessed Mar. 23, 2022).J. Brownlee, “Transfer Learning in Keras with Computer Vision Models,” 2020. https://machinelearningmastery.com/how-to-use-transfer-learning-when- developing-convolutional-neural-network-models/ (accessed Apr. 03, 2022).K. He, G. Gkioxari, P. Dollár, R. Girshick, and Facebook AI Research (FAIR), “Mask R-CNN,” Proc. IEEE Int. Conf. Comput. Vis., pp. 2961–2969, 2017, [Online]. Available: https://arxiv.org/pdf/1703.06870.pdf.W. Abdulla, “Splash of Color: Instance Segmentation with Mask R-CNN and TensorFlow,” 2018. https://engineering.matterport.com/splash-of-color-instance- segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46 (accessed Feb. 14, 2022).T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie, “Feature Pyramid Networks for Object Detection,” Proc. IEEE Conf. Comput. Vis. pattern Recognit., pp. 2117–2125, 2017, [Online]. Available: https://arxiv.org/pdf/1612.03144.pdf.K. He, X. Zhang, S. Ren, and J. Sun, “Deep Residual Learning for Image Recognition,” 2015. https://arxiv.org/abs/1512.03385 (accessed Feb. 23, 2022).M. Rivera, “La Red Residual (Residual Network, ResNet),” 2019. http://personal.cimat.mx:8181/~mrivera/cursos/aprendizaje_profundo/resnet/resnet. html (accessed Feb. 23, 2022).G. L. Team, “Introduction to Resnet or Residual Network,” 2020. https://www.mygreatlearning.com/blog/resnet/ (accessed Feb. 23, 2022).Neurohive, “ResNet (34, 50, 101): Residual CNNs for Image Classification Tasks,” 2019. https://neurohive.io/en/popular-networks/resnet/ (accessed Feb. 23, 2022).S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” 2016. https://arxiv.org/abs/1506.01497 (accessed Feb. 24, 2022).R. Girshick, “Fast R-CNN,” 2015. https://arxiv.org/abs/1504.08083 (accessed Feb. 24, 2022).H. Jung, B. Lodhi, and J. Kang, “An automatic nuclei segmentationmethod based on deep convolutional neuralnetworks for histopathology images,” 2019. https://www.researchgate.net/publication/336615317_An_automatic_nuclei_segme ntation_method_based_on_deep_convolutional_neural_networks_for_histopatholo gy_images (accessed Apr. 20, 2022).ProgrammerSought, “Machine learning (12) cross-validation example.” https://programmersought.com/article/229080330/ (accessed Apr. 28, 2022).info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Conteo automático de flores - Plataforma aereaEstrategia de deep learning - Conteo automático de floresAprendizaje profundoPinus pineaProductividad forestalSensores RGBSensado remotoMachine learningPinus pineaForest productivityRGBRemote sensingDetección y conteo automático de flores de pino Pinus pinea utilizando una estrategia de deep learning en imágenes adquiridas desde plataforma aéreaTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf4629432https://repositorio.unibague.edu.co/bitstreams/24fb7d00-903c-4def-ad4d-9f55637cfd35/download784508e6ca1ccf030fb59adaf3e839adMD51Anexos (1).zipAnexos (1).zipapplication/zip11033006https://repositorio.unibague.edu.co/bitstreams/bb474c0c-36f2-4a70-9c6e-7e75619441a3/downloadf82a372c52beaf61a4154b62cd3a5619MD53Formato de autorización.pdfFormato de autorización.pdfapplication/pdf462741https://repositorio.unibague.edu.co/bitstreams/646efd1e-1756-42d0-9ca9-76ea8d282855/downloadb052c373981354b4a1255e289cfeeb3aMD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/43d92168-31c6-44cb-a541-1e4139c75c71/download2fa3e590786b9c0f3ceba1b9656b7ac3MD54TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101916https://repositorio.unibague.edu.co/bitstreams/7463f70b-40e5-4312-b558-9996545ab0c5/download76cf6bd541991c9947666c60712d9f53MD59Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3262https://repositorio.unibague.edu.co/bitstreams/900bd395-0f92-4411-915d-0747677db4a2/downloadf740c8ccacc534be79c0ded0ecd8b0baMD511THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg13397https://repositorio.unibague.edu.co/bitstreams/8ac54dc8-ad83-4407-b779-956a82d4152f/download990d68c6cd54c0d16d1d30eef2602a9cMD510Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg25690https://repositorio.unibague.edu.co/bitstreams/a6f647b0-4165-4fcf-853f-f9037c2e2cf7/download76c7b50fffca89816ebb610deba49df9MD51220.500.12313/4777oai:repositorio.unibague.edu.co:20.500.12313/47772025-08-13 01:08:09.253https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Publicaciones similares