Documentos de Académico
Documentos de Profesional
Documentos de Cultura
6
ÍNDICE G. Machine Learning [16] .............................................. 7
I. Introduccion ................................................................. 1
H. Redes Neuronales [16] .............................................. 7
II. Problema y justificación ............................................... 1
I. Función de activación [16] ...................................... 7
III. Objetivos y alcance................................................... 2
VI. Materiales, metodología y procedimientos ................ 8
A. Objetivos Generales.................................................. 2
A. Plataformas y materiales para algoritmos [17] [18]
B. Objetivos específicos ................................................ 2 [19] [20] ............................................................................ 8
C. Alcance .................................................................... 2 B. Metodología y procedimientos .................................. 8
IV. Estado del arte .......................................................... 2 VII. Desarrollo experimentación y resultados ................... 9
A. Identificación de vegetación en imágenes satelitales, A. Recolección de Data.................................................. 9
Tesis para obtener el grado de master en Ciencias en
ingeniería de las telecomunicaciones, Luciana Pérez (2014) B. Elaboración de la red neuronal .................................. 9
[1] 2 C. Resultados............................................................... 11
B. Detección de carreteras en imágenes de VIII. Conclusiones ........................................................... 13
reconocimiento remoto mediante Deep Learning, Trabajo
de fin de grado en Ingeniería Informática, Ander Berrondo IX. Referencias ............................................................. 13
Urruzola (2020) [2] ........................................................... 2
C. Análisis de imágenes multiespectrales para la
detección de cultivos y detección de plagas y enfermedades
en la producción de café, Paper de postgrado en Sistemas
computacionales en el Instituto Tecnológico Superior de
Misantla, Arely G. Sánchez y Simón P. Arguijo (2018) [3] 3
D. Estudio de índices de vegetación a partir de imágenes
aéreas tomadas desde UAS/RPAS y aplicaciones de estos a
la agricultura de precisión, Trabajo para fin de Máster en
Tecnologías de la Información Geográfica, Juan J. Díaz-
García (2015) [4] ............................................................... 3
E. Enfoque para la clasificación de vegetación polinífera
usando imágenes multiespectrales y redes neuronales, Paper
de la Universidad Autónoma de Yucatán, Facultad de
matemáticas, Juan J. Negron, Ricardo Legarda y Víctor Uc-
Cetina (2018) [5] ............................................................... 3
F. Segmentación de imágenes RGB para aplicación
selectiva sobre barbecho, Paper del CAI, Congreso
Argentino de Agroinformática, Juan I. Baruffaldi y Juan M.
Baruffaldi (2020) [6] ......................................................... 3
G. Clasificación de árboles, césped, carriles y aceras
basadas en imágenes multiespectrales, paper de University
of Science & Technology of China, Mu Yao Wu, Linlin
Qin, Sifan Cheng y Gang Wu (2019) [7]............................ 4
H. Aplicación de fotogrametría aérea en levantamientos
topográficos mediante el uso de vehículos aéreos no
tripulados, Tesis para optar el título de Ingeniero civil de la
Universidad de El Salvador, René A. Claros, Alex E.
Guevara y Nelson R. Pacas (2016) [8] ............................... 4
V. Marco teórico ............................................................... 4
A. Imagen [9] [10] ........................................................ 4
B. Procesamiento de imagen [10] .................................. 4
C. Modelos de color [11]............................................... 5
D. El modelo RGB [12] [13] [14] .................................. 5
E. Procesamiento de imágenes RGB [15] [16]............... 5
Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 1
III. OBJETIVOS Y ALCANCE Otsu, el cual se genera un rango de interes en las condiciones
de las imágenes, esto permite recopilar la información necesaria
para las imágenes capturadas varíen dependiendo de las
A. Objetivos Generales condiciones climáticas o externas como meteorológicas y
• Realizar vuelos mediante el uso del dron fenológicas transitorias del área de estudio.
proporcionado por el laboratorio de SAC de la
Universidad de Piura para la obtención de imágenes
B. Detección de carreteras en imágenes de reconocimiento
áreas de zonas específicas.
remoto mediante Deep Learning, Trabajo de fin de grado en
• Obtener data de cámaras RGB y/o multiespectrales. Ingeniería Informática, Ander Berrondo Urruzola (2020)
• Desarrollo de los conceptos relacionados a las redes [2]
neuronales y cómo el Deep Learning para
procesamiento de imágenes.
El presente trabajo elabora un proyecto de diferenciación de
• Diferenciación de carreteras, zonas verdes, arboles, vías de circulación como carreteras en imágenes áreas RGB de
líneas de tensión mediante imágenes RGB y/o reconocimiento distante teniendo la herramienta el Machine
multiespectrales mediante los algoritmos propuestos. Learning y técnicas de aprendizaje profundo (Deep learning).
Cabe resaltar que este proyecto está planteado por CodaLab y
B. Objetivos específicos su desarrollo implica DeepGlobe Road Extration Challenge el
• Programar y optimizar la ruta de vuelo para un mayor cual otorgó en mayor medida la data utilizada en el proyecto.
alcance, teniendo en consideración el tipo de dron. El conjunto brindado consta de 3 propuestas: El
entrenamiento guiado, la validación de información y la prueba
• Uso y programación de la cámara Micasense Rededge
de funcionamiento. El primer subconjunto es el único que se
MX, cortesía del laboratorio de SAC de la Universidad
pudo realizar debido a que la medición de la calidad del modelo
de Piura.
es necesaria la máscara binaria la cual solo la primera cuenta.
• Obtención y clasificación de la data de imágenes.
Se cuenta con 6226 imágenes de 1024x1024 cada una con su
• Desarrollar un sistema de algoritmos mediante el uso
mascara con la verdad del terreno. Dichas imágenes
de redes neuronales para poder detectar patrones de
estructuradas están compuestas con pixeles blancos (vías y
interés en las imágenes que se recolectaron haciendo
carreteras) y nulos y/o negros (carreta) [2]
uso del dron.
Para el entrenamiento no se utilizó cada imagen en su
• Aprender y comprender el uso y aplicación de redes totalidad, sino que se decidió trabajar con ventanas permitiendo
neuronales convolucionales. así que la correcta cualificación se produzca completamente en
C. Alcance cada pixel y al final se unen las proyecciones que generó cada
El presente trabajo se desarrollará mostrando en primer lugar, pixel en una única imagen. Así mismo se separa la misma
una recopilación de los artículos científicos que hablan sobre el cantidad de ventanas en cada tipo (carretera y no carretera) de
trabajo de imágenes RGB y/o multiespectrales, luego de ello se manera que esto obtiene balancear el entrenamiento ya que si
habla de los materiales que se usarán para la realización del no se hubiera trabajado así los datos hubieran sido procesados
presente trabajo. de manera errónea. El entrenamiento, validación y test se
realizaron de manera distinta ya que para las dos primeras se
proyectaron sobre una base de ventanas creadas aleatoriamente
IV. ESTADO DEL ARTE otorgadas de diversas imágenes mientras que el test se realizó
de dos maneras la primera ser realizo al igual que el
A. Identificación de vegetación en imágenes satelitales, entrenamiento y validación, y la segunda fue segmentando
Tesis para obtener el grado de master en Ciencias en imágenes completas en cada ventana para poder predecir cada
ingeniería de las telecomunicaciones, Luciana Pérez (2014) una y tener finalmente un resultado el cual se consigue
[1] unificando todo [2].
se etiqueto cada como como maleza y suelo. Pero antes de En la siguiente tesis se presenta otra forma de análisis de
entrenar los modelos fue necesaria la selección de índices de los imágenes mediante vehículos no tripulados, para nuestro caso
distintos espacios de colores para ser utilizados como valores de estudio se considerará la fotogrametría aplicada con los
de entrada en los modelos. Para esta tarea en particular se drones.
entrenaron arboles de decisión a partir de los datos recolectados La fotogrametría es una técnica de estudio el cual nos brinda
con los índices seleccionados. Se obtuvieron buenos resultados con precisión la forma, posicion, distribución y dimensiones de
lo que brinda una muy buena relación entre reconocimiento y los parámetros escogidos para su estudio.
rendimiento del sistema [6] los cuales mediante según el tipo de aplicación existirá una
forma diferente de composición y obtención de datos del vuelo.
Para analizar correctamente las imágenes, se pueden
G. Clasificación de árboles, césped, carriles y aceras
considerar algoritmos de software presentes en esta tesis, así
basadas en imágenes multiespectrales, paper de University
of Science & Technology of China, Mu Yao Wu, Linlin Qin, mismo la distribución de la composición de las imágenes junto
Sifan Cheng y Gang Wu (2019) [7] con los datos de vuelo ayudara al modelado para el análisis
espectral.
El presente trabajo propone la clasificación de objetos
V. MARCO TEÓRICO
terrestres mediante el uso de un vehículo aéreo no tripulado
(UAV en inglés) de cuatro rotores y una cámara multiespectral
para el recojo de imágenes multiespectrales para la A. Imagen [9] [10]
clasificación.
En primer lugar, las imágenes multiespectrales adquiridas se Según la Real Academia Española, se puede pueden
corrigieron y desnaturalizaron. Luego se extrajeron una serie de encontrar 4 tipos de definiciones, ya que son definiciones
parámetros característicos, como los valores medios de gris, puntuales solo se citarán:
índices de vegetación y características de textura. 1. Figura, representación, semejanza y apariencia de algo.
Se establecieron tres modelos de clasificación teniendo en [10]
cuenta la existencia de multicolinealidad en las variables 2. Estatua, efigie o pintura de una divinidad o de un
independientes, basados en la regresión por pasos, mínimos personaje sagrado. [10]
cuadrados parciales, análisis de componentes principales y 3. Reproducción de la figura de un objeto por la
máquina de aprendizaje extremo, respectivamente. combinación de los rayos de luz que proceden de él. [10]
La precisión de los modelos mencionados fue superior al 4. Recreación de la realidad a través de elementos
87% para árboles, césped, carriles y aceras. imaginarios fundados en una intuición o visión del
artista que debe ser descifrada, como en las monedas en
enjambres furiosos. [10]
Además, existe diferentes tipos de imágenes según el
contexto:
1. Imagen accidental: Es aquella imagen que persiste en el
ojo después de haber visualizado un objeto por un largo
tiempo; sin embargo, esta es con los colores
combinados.
2. Imagen real: La representación de esta se define como
la interpretación de un objeto, que ha sido formado por
la convergencia de los rayos de luz emitidos por el objeto
los cuales ingresan por una lente o dispositivo óptico,
para que posteriormente se pueda visualizar en una
pantalla. [10]
3. Imagen pública: Grupo de rasgos que son características
Figura 1. Comparación de los efectos de la clasificación en una entidad o persona ante un círculo social.
Fuente: S. C. L. Q. a. G. W. M. y. Wu. (2019). Ground Object 4. Imagen virtual: Conjunto de puntos similares continuos
Classification Based on UAV Multispectral Images de los rayos de luz que pasan por un sistema óptico o un
espejo y por ende no pueden ser proyectados en una
pantalla.
H. Aplicación de fotogrametría aérea en levantamientos
topográficos mediante el uso de vehículos aéreos no
tripulados, Tesis para optar el título de Ingeniero civil de la B. Procesamiento de imagen [11]
Universidad de El Salvador, René A. Claros, Alex E.
Guevara y Nelson R. Pacas (2016) [8] Es un grupo de técnicas aplicadas en las imágenes, con la
finalidad de mejorar su visualización, mejorando su calidad, y
Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 5
Para casos específicos donde se necesita cubrir una mayor Algunas de las funciones de activación más utilizadas son:
cantidad de superficie se utilizará imágenes satelitales, sin 1) Función escalón unitario: La neurona se mantiene
embargo, en nuestro caso de estudio se usarán imágenes áreas activa e igual a 1 cuando la entrada neta de la neurona es
no obstante el proceso de corrección, selección y evaluación de positiva, mientras que, si la entrada neta es negativa,
las imágenes son muy similares. entonces la neurona se mantiene desactiva con un valor
igual a 0.
Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 8
7) Función Sigmoide: Esta función tiene una pendiente Se propone la metodología a seguir:
continua cuando las funciones se normalizan.
A. Recolección de Data
Figura 13. carpetas con las imágenes subidas a Google drive. Figura 17. creación de la función de transferencia
Fuente: Elaboración propia. Fuente: Elaboración propia
Luego de ello, se procede a importar las librerías necesarias Además de la modelación, la red se entrenará usando 4
para la elaboración de la red: funciones de activación:
-Relu
-tanH
-Sigmoid
-Swish
Bs = 8
Epochs = 100
Adam con parámetros por defecto
Resize a 28x28
C. Resultados
Este es el cronograma es lo que se ha hecho hasta la entrega del informe 3, durante este período de tiempo, algunos
integrantes de grupo:
• Se logró corregir lo que el asesor solicitó para la mejora del presente informe.
• Se realizaron diversas reuniones para poder organizar el trabajo; además, en las mismas se vio el avance hasta
el momento de los resultados.
• Investigaron a fondo el cómo programar y aplicar una red neuronal para el desarrollo del presente trabajo para
poder hacer realidad lo pedido por el docente del curso.
• Todos los integrantes cumplieron con las reuniones pactadas para obtener resultados positivos.
Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 16
ACTA N°1
Temas Tratados: Temas a tocar en el estado del arte, investigación para el marco teórico.
Acuerdos: Investigar los temas tratados
Actas de reunión
ACTA N°2
ACTA N°3
ACTA N°4
ACTA N°5
ACTA N°6
ACTA N°7
ACTA N°8