Desarrollo de un sistema de detección de peces PDF Download

Author: Alvaro Vidaor Maristany
Publisher:
ISBN:
Category :
Languages : es
Pages :

Get Book Here

Book Description
El cerebro humano es capaz de realizar una gran variedad de procesos computacionales a grandes velocidades gracias a su sistema neuronal. Procesos como la identificación y reconocimiento de objetos son realizados casi instantáneamente. Es por ello por lo que, en las últimas dos décadas, la comprensión y el estudio de dichos procesos, así como su imitación, han ganado una popularidad sin precedentes entre los investigadores. Paralelamente, en los últimos años, el campo del Machine Learning también ha sufrido un desarrollo sin precedentes. El Machine Learning es el campo de la ciencia que pretende enseñar a un ordenador a realizar una serie de tareas sin que este tenga que ser explícitamente programado. Si combinamos las ideas mostradas en los parágrafos anteriores, aparece el campo del Deep Learning. El Deep Learning forma parte del Machine Learning y se centra en resolver problemas mediante redes neuronales artificiales. El objetivo de este proyecto es la implementación de un detector de objetos utilizando métodos de Deep Learning. Más concretamente, en este trabajo se entrenará un detector para que aprenda a identificar octópodos, coloquialmente conocidos como pulpos. Para ello previamente se construirá una base de datos con imágenes correspondientes a octópodos, y esta base de datos se dividirá en tres grupos: entrenamiento, validación y test que posteriormente se utilizarán para el desarrollo del detector. Este documento contiene una metodología para desarrollar un detector utilizando la implementación de Fizyr de una red neuronal conocida como Keras-Retinanet. Se utilizarán dos implementaciones y se compararán los resultados, escogiendo así el detector más adecuado para la función a realizar. La metodología para desarrollar estos detectores se divide en la fase de entrenamiento y la fase de prueba, donde se utilizará el detector obtenido en la fase de entrenamiento para identificar nuevas imágenes y se evaluará su funcionamiento. Los resultados obtenidos indican que ambas implementaciones obtienen muy buenos resultados, obteniendo una precisión media en las detecciones por encima del 80%. Las perdidas, relacionadas con el error del detector, se estabilizan durante el entrenamiento realizado sin llegar a producirse Overfitting, lo que indica que para obtener mejores resultados debería aumentarse la base de datos con más imágenes. Se observa que la Keras Retinanet no es tan eficiente como la Keras-Mask RCNN, ya que esta última detecta con más confianza y no produce tantos falsos positivos como la Keras Retinanet. Por último, se plantean futuras mejoras para el detector, entre las que destacan la expansión de la base de datos para obtener mejores resultados, así como la inclusión de imágenes en la base de datos con otras especies marinas para que el detector sea capaz de determinar diferentes tipos de especies marinas.