Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2413| Implementación de una Metodología basada en una Red de Aprendizaje Profundo para Segmentación Semántica en Imágenes de Percepción Remota | |
| Laritza Pérez Enríquez | |
| Raquel Díaz Hernández | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Deep learning Semantic segmentation Perception | |
| In the recent years, vegetation has been changing due to natural phenomena and human activity. Considering these facts, studies were carried out in order to detect changes in the vegetation species and their environment. Remote sensing is a technique for capturing images of areas and objects without direct contact with them and their environment. These aerial inspections of vegetation regions can retrieve information for immediate decision-making to protect endangered species and their environment. Furthermore, the use of unmanned aerial vehicles (UAV) helps to obtain images quickly, allowing for analysis using artificial intelligence (AI) to automatically collect data and extract patterns. In this way, accurate information extraction is possible and can be used for better species control and protection. Also, semantic segmentation is a task developed with AI and the application of deep learning algorithms for complete scene comprehension. Many issues of semantic segmentation are resolved with deep learning architectures based on convolutional neural networks (CNN). This thesis proposes the application of a deep learning network for semantic segmentation of sensing remote images. The goal of this research is the automatic identification of vegetation species. In this work, the automatic semantic segmentation process started with the labeling task of images belonging to a specific vegetation data set: palm, pine, and orange trees. Then, this information is used for the training and validation process. Later, a deep learning technique was applied, and a model based on the pre-trained VGG16 architecture was used to automatically carry out the semantic segmentation on images. Finally, the specific classes were semantically segmented with an accuracy prediction ranging from 91 % to 96.5 %. These results have better precision than similar approaches reported in the literature.
Durante los últimos años la vegetación, ha sufrido cambios debido a los fenómenos naturales y la intervención humana. Considerando estos aspectos se han realizado estudios que involucran el poder capturar los cambios en las especies, así como del medio que los rodea. La percepción remota es la forma en que se puede obtener imágenes de áreas u objetos sin estar en contacto directo con ellos en su medio ambiente. La inspección aérea de regiones con vegetación puede proporcionar información oportuna que permita actuar de forma inmediata para tomar decisiones y proteger la especie en riesgo. El manejo remoto de vehículos aéreos no tripulados (UAV), facilita la obtención de imágenes, las cuales se analizan utilizando Inteligencia Artificial (IA) para la recolección de datos y patrones que son extraídos de forma automática y así obtener resultados precisos que proporcionen información y permita tener un mejor control de especies. La segmentación semántica es una de las tareas realizadas con la IA y la aplicación de algoritmos de aprendizaje profundo para la comprensión completa de la escena. Muchos problemas de segmentación semántica se están abordando, utilizando arquitecturas profundas, basados en Redes Neuronales Convolucionales (CNN). En esta tesis, se propone la aplicación de una red de aprendizaje profundo para segmentación semántica en imágenes de percepción remota, para la identificación automática de especies de vegetación utilizadas en el estudio. El proceso de segmentación semántica automática presentada en este trabajo se inicia con el etiquetado de las imágenes del conjunto de datos de vegetación: palmeras, pinos y naranjos, estos datos son utilizados para los procesos de entrenamiento y validación. Después, se aplicaron técnicas de aprendizaje profundo y un modelo pre-entrenado de la arquitectura VGG16 para obtener la segmentación semántica de forma automática en las imágenes. Finalmente, se obtuvo la predicción de las clases específicas de vegetación con una precisión de entre el 91 % y 96.5 %, la cual es mejor respecto a técnicas y enfoques similares. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2022-07 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Pérez Enríquez, Laritza, (2022), Implementación de una Metodología basada en una Red de Aprendizaje Profundo para Segmentación Semántica en Imágenes de Percepción Remota, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| CIENCIAS DEL ESPACIO | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencia y Tecnología del Espacio |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| Tesis.pdf | 19.55 MB | Adobe PDF | Visualizar/Abrir |