F. Imagen multiespectral [16] ........................................

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
Diferenciación de carreteras, zonas verdes, árboles y
líneas de alta tensión mediante imágenes RGB y/o
multiespectrales
Miguel A. Carrasco Montero, Carla G. Jimenez Silva, José R. Palacios Elías,
Rolando J. Silva Calderón Y Jean Paul F. Sánchez Santillán
RESUMEN – En el presente informe se desarrollará la detección de
carreteras, zonas verdes, árboles y líneas de alta tensión mediante
imágenes RGB y/o multiespectrales con la ayuda de la inteligencia
artificial. Se hará uso de un dron con una cámara que facilite la toma
de fotos aéreas, las cuales serán procesadas para finalmente usarlas
para alimentar la red neuronal que se desarrolló.
PALABRAS CLAVE – Reconocimiento de imágenes, multiespectral,
RGB, tomas aéreas de áreas verdes, carreteras, árboles y líneas de alta
tensión.
I. INTRODUCCION
E l modelo de color RGB es el más utilizado y esto se debe a
la relación que existe directamente en la forma en el que el ser
humano percibimos los colores, debido a los tres tipos de conos
en la retina cuya respuesta es modulada por las curvas de
sensibilidad x, y, z. En comparación, aunque la visión de los
caninos es mejor durante la noche, su forma de percibir los
colores está limitada en comparación del hombre. Esto es
debido a que sus conos carecen de sensibilidad al color verde.
Hipotéticamente, si los caninos fueran capaces de cambiar su
forma de percibir colores, podrían percibir cosas que
simplemente no existían para ellos. ¿Qué pasaría si no solo
observáramos el mundo a través de nuestros tres tipos de conos
o de los modelos de color diseñados para nuestra percepción?
Simplemente seríamos capaces de percibir cosas que de
acuerdo a nuestra visión no existen o simplemente no es
apreciable. Gracias a los avances tecnológicos, esta tecnología
existe y nos permite percibir a través de métodos más allá de lo
que podemos ver. La animación realizada por la NASA muestra
el sol visto mediante tecnología multiespectral. Esta es una
tecnología que es capaz de recolectar múltiples imágenes de una
misma escena. Tomando datos de imágenes dentro de ciertas
longitudes de ondas específicos a través del espectro
electromagnético. Es decir, se obtiene una respuesta espectral
por píxel conocida como firma espectral de píxel, recolectando
intencionalmente por píxeles y longitud de onda un cubo de
información de la escena capturada.
Este tipo de tecnología es de gran ayuda al poder reconocer
o identificar distintas anomalías o comportamientos “raros”, ya
sea en la agricultura como en la geología (entre otras áreas de
aplicación), a través de imágenes que logran capturar lo que
para el ojo humano es imperceptible.
1
En este informe se hablará sobre la Diferenciación de
carreteras, zonas verdes, árboles y líneas de alta tensión
mediante imágenes RGB y/o multiespectrales. Haciendo uso
del laboratorio de SAC de la Universidad de Piura, para poder
pasar de lo teórico a lo práctico. Contando con la facilidad de
un dron con una cámara capaz de brindarnos la información
necesaria para poder alimentar el presente documento.
II. PROBLEMA Y JUSTIFICACIÓN
La identificación rápida y precisa de áreas con sus diversos
patrones significan una gran ventaja al momento de plantear
diversos proyectos que involucren la identificación de la
estructura del área. Cuando se tiene una zona relativamente
extensa es necesario cualificar los objetos presentes en esta, sin
embargo, es necesario contar con imágenes aéreas para poder
tener un mayor alcance. La diferenciación de carreteras, zonas
de vegetación y templado eléctrico será objeto de estudio,
debido a que generalmente las zonas de intereses para proyectos
involucran estos patrones en sus áreas. Es necesario establecer
una diferenciación marcada entre estos patrones ya que en un
posterior análisis se podrá contar con su estudio para distintos
propósitos. Para la realización de fotogrametría se contará con
cámaras de tecnología RGB y/o multiespectral, cortesía del
laboratorio de SAC de la Universidad de Piura, con estos se
puede lograr con una buena eficiencia la detección de objetos
de interés, en base a parámetros característicos.
La aplicación y el uso de imágenes multiespectrales y RGB,
son una necesidad en las distintas aplicaciones prácticas antes
mencionadas para poder reconocer o diferenciar de manera más
fácil o simplemente dar a conocer algún factor que es
imperceptible para el ojo humano. Es por ello por lo que se
planteara diversos métodos de obtención de estas imágenes
aéreas y para el procesamiento de la data se contara con
diversos algoritmos en diferentes plataformas las cuales se
basaran en Machine Learning y Redes Neuronales, en nuestro
país este campo de investigación es aún deficiente es por ello
que existe la necesidad de dar un mayor estudio al respecto para
poder entender de primera mano el uso de estas cámaras o
sensores que nos facilitan muchos problemas futuros. Además,
en la última década se usa mucho la inteligencia artificial para
el procesamiento de imágenes, con el objetivo de tener un
modelo que reconozca lo que se desea en menor tiempo.
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022
III. OBJETIVOS Y ALCANCE
A. Objetivos Generales
• Realizar vuelos mediante el uso del dron
proporcionado por el laboratorio de SAC de la
Universidad de Piura para la obtención de imágenes
áreas de zonas específicas.
• Obtener data de cámaras RGB y/o multiespectrales.
• Desarrollo de los conceptos relacionados a las redes
neuronales y cómo el Deep Learning para
procesamiento de imágenes.
• Diferenciación de carreteras, zonas verdes, arboles,
líneas de tensión mediante imágenes RGB y/o
multiespectrales mediante los algoritmos propuestos.
B. Objetivos específicos
• Programar y optimizar la ruta de vuelo para un mayor
alcance, teniendo en consideración el tipo de dron.
• Uso y programación de la cámara Micasense Rededge
MX, cortesía del laboratorio de SAC de la Universidad
de Piura.
• Obtención y clasificación de la data de imágenes.
• Desarrollar un sistema de algoritmos mediante el uso
de redes neuronales para poder detectar patrones de
interés en las imágenes que se recolectaron haciendo
uso del dron.
• Aprender y comprender el uso y aplicación de redes
neuronales convolucionales.
C. Alcance
El presente trabajo se desarrollará mostrando en primer lugar,
una recopilación de los artículos científicos que hablan sobre el
trabajo de imágenes RGB y/o multiespectrales, luego de ello se
habla de los materiales que se usarán para la realización del
presente trabajo.
IV. ESTADO DEL ARTE
A. Identificación de vegetación en imágenes satelitales,
Tesis para obtener el grado de master en Ciencias en
ingeniería de las telecomunicaciones, Luciana Pérez (2014)
[1]
Este trabajo desarrollara una cadena de algoritmo de
identificación de diversos patrones como lo es carreteras, zonas
de vegetación, y templado eléctrico en imágenes
multiespectrales.
Las fotos realizadas fueron tratadas en base a la normativa de
índice de densidad de vegetación de diferencia normalizada
(NDVI) para poder destacar las características propias de la
vegetación para así poder imágenes artificiales en una escala de
grises donde se puede distinguir la vegetación con la del suelo,
donde se estableció un método de segmentación. Dicho método
de segmentación está basado en la umbralización por el método
2
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
condiciones climáticas o externas como meteorológicas y
fenológicas transitorias del área de estudio.
B. Detección de carreteras en imágenes de reconocimiento
remoto mediante Deep Learning, Trabajo de fin de grado en
Ingeniería Informática, Ander Berrondo Urruzola (2020)
[2]
El presente trabajo elabora un proyecto de diferenciación de
vías de circulación como carreteras en imágenes áreas RGB de
reconocimiento distante teniendo la herramienta el Machine
Learning y técnicas de aprendizaje profundo (Deep learning).
Cabe resaltar que este proyecto está planteado por CodaLab y
su desarrollo implica DeepGlobe Road Extration Challenge el
cual otorgó en mayor medida la data utilizada en el proyecto.
El conjunto brindado consta de 3 propuestas: El
entrenamiento guiado, la validación de información y la prueba
de funcionamiento. El primer subconjunto es el único que se
pudo realizar debido a que la medición de la calidad del modelo
es necesaria la máscara binaria la cual solo la primera cuenta.
Se cuenta con 6226 imágenes de 1024x1024 cada una con su
mascara con la verdad del terreno. Dichas imágenes
estructuradas están compuestas con pixeles blancos (vías y
carreteras) y nulos y/o negros (carreta) [2]
Para el entrenamiento no se utilizó cada imagen en su
totalidad, sino que se decidió trabajar con ventanas permitiendo
así que la correcta cualificación se produzca completamente en
cada pixel y al final se unen las proyecciones que generó cada
pixel en una única imagen. Así mismo se separa la misma
cantidad de ventanas en cada tipo (carretera y no carretera) de
manera que esto obtiene balancear el entrenamiento ya que si
no se hubiera trabajado así los datos hubieran sido procesados
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
otorgadas de diversas imágenes mientras que el test se realizó
de dos maneras la primera ser realizo al igual que el
entrenamiento y validación, y la segunda fue segmentando
imágenes completas en cada ventana para poder predecir cada
una y tener finalmente un resultado el cual se consigue
unificando todo [2].
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022
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]
La presente investigación utiliza imágenes multiespectrales
del satélite Landsat 8 para el estudio de cultivos de café, además
de la identificación de plagas y enfermedades. Se realizó en la
zona de Misantla y Coatepec, en el estado de Veracruz.
Para este proyecto se emplearon procesos de
preprocesamiento de imágenes, interpretación digital a través
de proceso de clasificación supervisada, muestreo en campo
para entrenamiento y validación de resultados. Fue necesaria la
matriz de error en la que nos permite mostrar un valor aceptable
en la toma de datos ya que esto permite el uso de imágenes
Landsat debido a su resolución espectral es aceptable para este
estudio según lo apreciado en el campo y los resultados que se
obtuvieron ya que genera información de las áreas cultivadas
que ayudará en la agricultura [3].
Se demostró que la utilización de esta herramienta
multiespectral es una ventaja frente a la identificación temprana
de anomalías en los cultivos de café además que también
serviría para analizar el mismo en sus diferentes estados
fenológicos.
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]
En la presente tesis de magister se propone el estudio
mediante imágenes aéreas de diferentes campos de cultivos
abiertos, el cual se analizará de forma estadística mediante
imágenes de diferentes espectros, esto es gracias a la
implementación de diversos sensores en vehículos aéreos no
tripulados, el procesamiento de estas imágenes permitirá la
diferenciación de diversos tipos de zonas de cultivo que puedan
afectar el rendimiento de la producción.
Así mismo para la obtención de datos se cuenta imágenes
hiperespectrales de alta precisión las cuales para su análisis se
considera que cada pixel obtenido cuenta con 300 valores
correspondientes a sus respectivas bandas las cuales van desde
400 a 1000 nm.
El avance de la tecnología en al ámbito de captura de
imágenes, ha sido posible gracias al avance de los diferentes
tipos de sensores, los cuales estos pueden capturan espectros en
el medio, además la industrialización 4.0 ha generado que estos
sensores se conecten a complementos los cuales les permiten un
mejor análisis del espectro según la banda de estudio.
Según el tipo de estudio de imagen se debe considerar la
banda espectral, existen diversos tipos de filtros que permiten
el paso de cierto tipo de espectro electromagnético, en el
capítulo II nos indican el tipo de banda espectral de los
3
diferentes tipos de sensores comerciales.
SENSOR BANDA ESPECTRAL
Visible –RGB (Cámara 380-780 Nanómetros
Fotográfica)
380-780 Nanómetros
Visible (Cámara de Video)
500-950 Nanómetros
Infrarrojo cercano 3 Bandas
500-950 Nanómetros
Multiespectral 18 Bandas
450-950 Nanómetros
Hiperespectral 400 Bandas
Térmico 8-12 Micrómetros
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]
El siguiente trabajo de investigación publicado por la
universidad de Yucatán México, propone el análisis de
imágenes multiespectrales para identificar de primera mano la
vegetación en la zona propuesta, mediante algoritmos de
estudio para imágenes sobre superficies mediante Deep
learning, en donde el objetivo principal es poder encontrar una
ubicación estratégica para poder reubicar los apiarios, en donde
la vegetación sea conforme a la alimentación de las diferentes
abejas que se tienen. Se precisa encontrar mediante las
imágenes multiespectrales las distintas plantas que producen
polen y con las redes neuronales poder hacer el procedimiento
de identificación de forma automática.
Esto será de interés para extrapolar a nuestro trabajo, debido
a que se consideran patrones similares, así mismo se logró
comprobar el tiempo de vida y calidad de la vegetación
partiendo de la premisa de como la vegetación según su estado
refleja en mayor o menor intensidad ciertas frecuencias.
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]
El presente trabajo trata sobre la identificación de maleza
sobre los cultivos por medio de cámaras RGB teniendo en
cuanta varias posibles soluciones como trabajar con los índices
de vegetación, cambios de espacios de colores y algoritmos de
inteligencia artificial.
Para este estudio utilizaron imágenes de una resolución de
1280x720 obteniendo en total una data de 200 imágenes en las
que no todas fueron tomadas en las mismas condiciones, sino
que algunas fueron tomadas con poca luz y otras no. Después
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022
se etiqueto cada como como maleza y suelo. Pero antes de
entrenar los modelos fue necesaria la selección de índices de los
distintos espacios de colores para ser utilizados como valores
de entrada en los modelos. Para esta tarea en particular se
entrenaron arboles de decisión a partir de los datos recolectados
con los índices seleccionados. Se obtuvieron buenos resultados
lo que brinda una muy buena relación entre reconocimiento y
rendimiento del sistema [6]
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]
El presente trabajo propone la clasificación de objetos
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
clasificación.
En primer lugar, las imágenes multiespectrales adquiridas se
corrigieron y desnaturalizaron. Luego se extrajeron una serie de
parámetros característicos, como los valores medios de gris,
índices de vegetación y características de textura.
Se establecieron tres modelos de clasificación teniendo en
cuenta la existencia de multicolinealidad en las variables
independientes, basados en la regresión por pasos, mínimos
cuadrados parciales, análisis de componentes principales y
máquina de aprendizaje extremo, respectivamente.
La precisión de los modelos mencionados fue superior al
87% para árboles, césped, carriles y aceras.
Figura 1. Comparación de los efectos de la clasificación
Fuente: S. C. L. Q. a. G. W. M. y. Wu. (2019). Ground Object
Classification Based on UAV Multispectral Images
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
En la siguiente tesis se presenta otra forma de análisis de
imágenes mediante vehículos no tripulados, para nuestro caso
de estudio se considerará la fotogrametría aplicada con los
drones.
La fotogrametría es una técnica de estudio el cual nos brinda
con precisión la forma, posicion, distribución y dimensiones de
los parámetros escogidos para su estudio.
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
considerar algoritmos de software presentes en esta tesis, así
mismo la distribución de la composición de las imágenes junto
con los datos de vuelo ayudara al modelado para el análisis
espectral.
V. MARCO TEÓRICO
A. Imagen [9] [10]
Según la Real Academia Española, se puede pueden
encontrar 4 tipos de definiciones, ya que son definiciones
puntuales solo se citarán:
1. Figura, representación, semejanza y apariencia de algo.
[10]
2. Estatua, efigie o pintura de una divinidad o de un
personaje sagrado. [10]
3. Reproducción de la figura de un objeto por la
combinación de los rayos de luz que proceden de él. [10]
4. Recreación de la realidad a través de elementos
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
en una entidad o persona ante un círculo social.
4. Imagen virtual: Conjunto de puntos similares continuos
de los rayos de luz que pasan por un sistema óptico o un
espejo y por ende no pueden ser proyectados en una
pantalla.
B. Procesamiento de imagen [11]
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
así poder obtener de manera más precisa y detallada, la
información.
El procesamiento de imágenes se utilizó por primera vez en
la década de 1920 cuando se transmitían imágenes de
periódicos a través de un cable que, atravesaba masas de agua
y conectaba a las ciudades de Londres y Nueva York.
Como se intuía se logró reducir en gran medida los tiempos
entre la exposición y la fotografía de una semana, a 3 horas.
Posteriormente se desarrolló métodos para codificar y
renderizar a las imágenes, en 15 tonos de gris, donde
previamente solo se tenía 5 tonos.
Utilizando imágenes RGB y métodos de descubrimiento que
van desde el aprendizaje automático y el aprendizaje profundo,
como principales motores para el procesamiento de imágenes,
se logró la detección de carreteras, utilizando imágenes que
fueron capturadas de forma remota.
C. Modelos de color [12]
El modelo a color es la especificación de un sistema de
coordenadas y un subespacio en el que cada color está
representado por un solo punto. La mayoría de modelos que se
utilizan hoy en día, se desarrollan en el hardware, como
pantallas y las impresoras a color, o también a aplicaciones que
tienen como propósito controlar el color para la animación.
D. El modelo RGB [13] [14] [15]
El espacio Red, Green and Blue fue estandarizado por la CIE
(International Commission on Illumination) en 1931, basado en
la asimilación de la luz por los conos rojo, verde y azul del ojo
humano en función de la distancia de la onda.
En el modelo del conocido Red Green Blue (RGB) cada color
aparece en sus en sus principales componentes espectrales. El
modelo en el que se basa es el sistema de coordenadas
cartesianas. Un subespacio de color interesante es el cubo que
se muestra en la Figura 1, con los valores RGB básicos en las
tres esquinas; los colores cian, amarillo y magenta están en las
tres esquinas restantes; negro al principio; y el blanco en la
esquina más alejada al principio. En este modelo, la escala de
grises (puntos con el mismo valor RGB) se extiende del negro
al blanco a lo largo de la línea que une estos dos puntos.
Los diferentes colores en este modelo son puntos sobre o
dentro del cubo, y están definidos por vectores que se extienden
desde el origen. Por comodidad, se supone que todos los valores
de color se han normalizado de modo que el cubo mostrado en
la figura 1 es el cubo unitario. Es decir, se supone que todos los
valores de R, G y B están en el rango [0,1].
5
Figura 2. Esquema del Cubo de color RGB
Fuente: Mejía, J. (2019). Desarrollo de un equipo electrónico
de Identificación por colores y dosificación Automática de
alimentos para marranas gestantes Y cerdos jóvenes utilizando
un computador de Placa reducida y algoritmos de
procesamiento Digital de imágenes
https://repositorio.usmp.edu.pe/bitstream/handle/20.500.12727
/5653/belleza-vega.pdf
La representación de una imagen se compone de los
conocidos colores primarios, Rojo, Amarillo y Azul, cuando
pasan por el monitor a color, las tres imágenes son combinadas
en la pantalla para reproducir una imagen de colores
compuestos, para representar la profundidad de pixel se basó en
el número de bits que se utilizarían en la representación del
espacio RBG. Para tener una idea, se tiene por ejemplo una
imagen a color, en la que cada una de las imágenes roja, verde
y azul se representa por 8 bits, entonces cada píxel tiene una
profundidad de 24 bits, ya que como se mencionó, se
sobreponen las tres representaciones de color, para dar la gama
de colores
Cuando se refiere a imagen a color, este se usa comúnmente
para referirse a una imagen en color RGB de 24 bits. El número
total de colores en una imagen RGB de 24 bits es (28)3.
E. Procesamiento de imágenes RGB [16] [17]
Para lograr obtener los diversos parámetros de la imagen, se
deben de realizar ciertos pasos tales como el filtrado y el
procesamiento de imágenes. Para ello se trabaja con algoritmos,
para mejorar la calidad de imagen se entiende que esto tiene una
variedad de características como contraste, mejora de imagen y
reducción de ruido.
Entre los diversos grupos en los que se trabaja el
procesamiento de imágenes tenemos:
1)Método en el dominio espacial: Basado en la manipulación
de los pixeles de forma directa. Para el procesamiento de la
imagen en el dominio que se ha mencionado antes, se expresa
como:
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022
𝑔(𝑥, 𝑦) = 𝑇|𝑓(𝑥, 𝑦)|
En donde f(x,y) representa a la imagen de entrada y g(x,y) a
la imagen de salida. T representa a un operador que actúa sobre
f definido sobre algún entorno de (x,y).
Las subimágenes cuadradas o rectangulares, son
comúnmente definiciones de los entornos. La realización más
simple de T es cuando su entorno es de 1x1. Para este caso la
función G depende solo del valor de F en el punto (x,y), y T
adopta la función de transformación de nivel de gris de la forma
s=T(r), donde s y r ahora son variables que indican el nivel de
gris de ambas funciones.
Figura 3. Transformación en el dominio especial
Fuente: M. G. G. G. y. J. L. H. E. Correa. (2020). Diseño e
implementación de una arquitecura de red neuronal artificial
del tipo convolucional para clasficar imágenes de hojas de
banano con hongos o plagas o enfermedades.
El negativo de las imágenes se consigue usando la función de
transformación, como se puede observar en la imagen a
continuación:
Figura 4. Negativo de una imagen
Fuente: M. G. G. G. y. J. L. H. E. Correa. (2020). Diseño e
implementación de una arquitecura de red neuronal artificial
del tipo convolucional para clasficar imágenes de hojas de
banano con hongos o plagas o enfermedades.
2) Método en el dominio de la frecuencia: Para poder realizar
este método se requiere la transformada discreta de Fourier de
la imagen puesto que esta trabaja en dos dimensiones.
6
Figura 5. Procesamiento del filtrado trabajando con una
imagen de entrada y se obtiene una imagen de salida.
Fuente: M. G. G. G. y. J. L. H. E. Correa. (2020). Diseño e
implementación de una arquitecura de red neuronal artificial
del tipo convolucional para clasficar imágenes de hojas de
banano con hongos o plagas o enfermedades.
Su base es trabajar las frecuencias de la imagen que permite
realizar cambios en esta, como suprimir y reformar ciertas
frecuencias
Las frecuencias bajas, se ven relacionadas con la magnitud
del color en la escala de grises, por otro lado, las altas
frecuencias se ven relacionadas con la calidad de la imagen.
Según la figura 5 la imagen de entrada se ve afectada por
etapas para su mejora visual, entre las etapas tenemos al paso
por la transformada de Fourier, luego por un filtro, y volver a
transformar con la transformada inversa de Fourier.
3) Método en el dominio de extracción de características:
Éste es un método enfocado en extraer información de una
imagen. Ya que es necesario distinguir a las imágenes, a través
de sus características, y obtener los resultados deseados de la
imagen.
Las imágenes muestran un número muy grande de
información, que en su mayoría no tienen relevancia, con la
finalidad para la cual esta fue tomada, por ello se tienen
métodos para encontrar las características que se buscan. Y así
obtener una información útil para ser analizada, entre estos
métodos tenemos a la detección de formas, el etiquetado y la
segmentación.
F. Imagen multiespectral [17]
Con el fin de lograr obtener una definición más decantada, es
necesario incluir ahora un término denominado espectro. Que
podría tener la definición de “división de la intensidad de una
radiación en función de una magnitud característica, como la
energía, longitud de onda, la masa o la frecuencia.” [17]
Se entiende que la imagen espectral es aquella que a través
de la longitud de onda que irradia un objeto, este emite una
figura del mismo.
Una de las características de las imágenes multiespectrales es
que están compuestas por bandas limitadas, las cuales están en
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022
un rango de 3 a 20, esto no implica necesariamente
continuación de otra, en comparación con las imágenes
hiperespectrales que estas sí están compuestas por un número
de bandas mayor y que necesariamente son continuas.
Las imágenes multiespectral brinda valores de intensidad en
las longitudes de onda discretas en las que el sistema capte
radiación.
Figura 6. Imágenes multiespectrales de 5 bandas.
Fuente: M. G. G. G. y. J. L. H. E. Correa. (2020). Diseño e
implementación de una arquitecura de red neuronal artificial
del tipo convolucional para clasficar imágenes de hojas de
banano con hongos o plagas o enfermedades.
G. Machine Learning [17]
En los últimos años el aprendizaje automático se ha hecho
muy relevante para el análisis de imágenes multiespectrales,
debió a que respuesta de datos no son paramétricos, esto ayuda
a no suponer, además de permitir una gran cantidad de entrada
de datos.
En la teledetección se cuenta con muchas variables
complejas de predicción es aquí cuando el aprendizaje
automático supera notoriamente a los procesos anteriores de
datos paramétricos. Un claro ejemplo se indica en “Evaluación
de algoritmos de Machine Learning en la clasificación de
imágenes satelitales multiespectrales, caso: Amazonia
Peruana” [17]
En el cual se muestra como el aprendizaje automático supero
notablemente a un clasificador de máxima verosimilitud que
hasta el momento usaba datos paramétricos.
Para casos específicos donde se necesita cubrir una mayor
cantidad de superficie se utilizará imágenes satelitales, sin
embargo, en nuestro caso de estudio se usarán imágenes áreas
no obstante el proceso de corrección, selección y evaluación de
las imágenes son muy similares.
7
H. Redes Neuronales [17]
Son el modelo simple del funcionamiento del sistema
nervioso. Su unidad base es la neurona, que se organiza en
capas.
Figura 7. Estructura de una red neuronal
Fuente: M. G. G. G. y. J. L. H. E. Correa. (2020). Diseño e
implementación de una arquitecura de red neuronal artificial
del tipo convolucional para clasficar imágenes de hojas de
banano con hongos o plagas o enfermedades.
Una red neuronal es el modelo simplificado que emula el
procesamiento de información que adquiere el ser humano.
Ejecuta de forma simultánea un gran número de unidades de
procesamiento que están interconectadas, análogo a los
procesos que realizan las neuronas del ser humano.
Con el avance tecnológico, ahora se habla de Redes
Neuronales Artificiales, que son la base del Deep Learning.
I. Función de activación [17]
Las funciones de activación son las que determinan el
estado de activación de la neurona en el estado actual (t),
dependiendo de su estado anterior (t-1) y del potencial
postsináptico que tenga para el tiempo (t). El potencial
postsináptico viene a ser el término "𝑛𝑖".
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒂𝒄𝒕𝒊𝒗𝒂𝒄𝒊ó𝒏 = 𝒇(𝒇(𝒕 − 𝟏), 𝒏𝟏 (𝒕))
Sin embargo, para otros autores la función de activación
solo depende del estado actual
𝑭𝒖𝒏𝒄𝒊ó𝒏 𝒅𝒆 𝒂𝒄𝒕𝒊𝒗𝒂𝒄𝒊ó𝒏 = 𝒇( 𝒏𝟏 (𝒕))
Algunas de las funciones de activación más utilizadas son:
1) Función escalón unitario: La neurona se mantiene
activa e igual a 1 cuando la entrada neta de la neurona es
positiva, mientras que, si la entrada neta es negativa,
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

neuronales, estos son capaces descifrar correlaciones y

2) Función escalón simétrico: La diferencia radica en que
la neurona se mantiene desactiva en un valor de -1 en lugar
de 0 con respecto al caso anterior.
3) Función lineal: Permite ver directamente el valor de
entrada neta.
4) Función lineal positiva: Es lineal solamente para
valores positivos de entrada neta y para valores negativos la
neurona se mantiene desactiva.
5) Función lineal saturada: Se mantiene activa con un
valor igual a 1 cuando a la entrada neta es mayor a 1, pero
para valores entre 0 y 1, hay una linealidad en la función.
Mientras que para valores negativos se mantiene desactiva
igual a 0.
6) Función lineal saturada simétrica: Para valores
menores a -1 de entrada neta, la neurona arroja un valor de
-1 y para valores entre -1 y 1 la neurona mantiene una
función lineal, mientras que para valores mayores a 1 la
neurona se mantiene saturada y activa igual a 1.
patrones, de forma similar al razonamiento que usan los seres
humanos.
3) DJI Matrice 600 Pro: Es un drone para uso industrial,
resistente y de vuelo fiable, de pilotaje sencillo. Es capaz de
levantar 6 kg de peso. Presenta diseño modular. La versión Pro
presenta una mejora en el tiempo de vuelo y rango de alcance.
Soporta interferencias magnéticas.
4) Micasense Rededge MX: Es una de las opciones de cámara
para poder trabajar el tipo multiespectral el cual está orientada
a la agricultura el cual tiene una definición profesional, cuyas
imágenes aéreas son de resolución e información confiable.
Posee un transductor que detecta la luminosidad DLS, para
expandir y mejorar la calibración, se considera 5 bandas de
espectro los cuales proporciona índices de áreas verdes e
imágenes las cuales son a color, esto es posible ya que se puede
acoplar a cualquier dron, una de sus principales ventajas es que
se puede realizar en un solo vuelo.
B. Metodología y procedimientos

7) Función Sigmoide: Esta función tiene una pendiente Se propone la metodología a seguir:
continua cuando las funciones se normalizan.

8) Función Sigmoide tangente hiperbólica: El valor de

desactivación es -1 y el valor de activación es 1. La pendiente
es continua.

VI. MATERIALES, METODOLOGÍA Y PROCEDIMIENTOS

A. Plataformas y materiales para algoritmos [18] [19]

[20] [21]

1) Python: Es un lenguaje de programación de alto nivel,

utilizado para desarrollar aplicaciones de todo tipo. Es un
lenguaje interpretado, no necesita ser compilado para ejecutar
las líneas de código, sino que se ejecuta directamente a través
del ordenador.
Es un lenguaje sencillo de leer y escribir. Además, es
multiplataforma y de código abierto, lo que facilita su
aplicación en Data Science, Inteligencia Artificial, Big Data,
Machine Learning, entre otros.

2)Tensorflow: Es una bigdata de software el cual se genera

mediante computación numérica. Es de código abierto además
permite la utilización de un flujo de datos el cual se representa
mediante gráficos. Estos nodos que poseen estas gráficas
simulan representaciones de operaciones matemáticas, por
otros lados los bordes son los moldes de datos de dimensiones
múltiples que se comunican con ellas.
Su principal aplicación es que nos permite diseñar y mediante
un proceso iterativo generar un entrenamiento para redes
Figura 8. Metodología del Proyecto
Fuente: Elaboración propia
Para la adquisición de la Data, se hará uso del dron y la
cámara multiespectral para obtener las imágenes, para luego ser
sometidas a un preprocesamiento antes de ser usadas para el
entrenamiento de la red neuronal.
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 9

VII. DESARROLLO EXPERIMENTACIÓN Y RESULTADOS

A. Recolección de Data

El éxito o fracaso de toda red neuronal depende

fundamentalmente y partiendo como punto de inicio, de los
datos que se van a recolectar y luego de los parámetros que se
utilizan para mejorar la efectividad de la red.

Partiendo de la premisa, para la recolección de Data se hizo

uso del dron DJI acoplada con la cámara multiespectral
MIcasense Rededge MX (ambos instrumentos propiedad del Figura 11. Monitoreo del vuelo
Laboratorio de Sistemas de Control de la Universidad de Piura) Fuente: Elaboración propia
para realizar vuelos y tomar capturas de ambientes de la
universidad que contengan carreteras y áreas verdes.

Después de una sesión de capacitación en el cual a los

integrantes de este grupo se les enseñó la calibración y uso del
dron, y de la cámara multiespectral, se realizaron tres vuelos: 1
vuelo el 9 de mayo en la cancha de fútbol y dos vuelos más el
14 de junio en el edificio de gobierno.

Figura 12. vuelo del dron

Fuente: Elaboración propia
Figura 9. Ensamble del dron.
Después de realizados los vuelos, se clasifican las imágenes
Fuente: Elaboración propia
en carpetas, las cuales contendrán imágenes de áreas verdes y
carreteras. Luego de esto, se procede a la elaboración de la red
neuronal.

B. Elaboración de la red neuronal

Como se mencionó en el apartado de materiales, se hará uso

de Google Colab, el cual es una plataforma de Google la cual
nos brinda un entorno virtual de trabajo donde usando el
lenguaje de programación Python, se pueden elaborar redes
neuronales sin la necesidad de instalar nada en el computador.
Para el desarrollo de este trabajo bastó con el plan gratuito que
ofrece la plataforma para la elaboración de la red neuronal.
La data clasificada, se sube a una cuenta de Google drive, la
cual se enlaza con Colab para que este acceda a los datos.
Figura 10. Uso de la cámara multiespectral.
Fuente: Elaboración propia
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 10

Figura 13. carpetas con las imágenes subidas a Google drive. Figura 17. creación de la función de transferencia
Fuente: Elaboración propia. Fuente: Elaboración propia

Se define el modelo a usar cuyos parámetros iniciales de la

red fueron inicializados con la configuración por defecto de
Tensorflow (I.E., KERNELS WITH GLOROT_UNIFORM
AND BIASES WITH ZEROS). Y se definen También los
siguientes parámetros para el entrenamiento:
Figura 14. Colab vinculado con la cuenta de Google drive que
Numero de repeticiones = 30
contiene los datos.
Fuente: Elaboración propia Numero de Folds = 10

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

Figura 15. importación de librerías.

Fuente: Elaboración propia

Luego de ello se procede a escoger la data que será para

entrenar la red neuronal, la cual será la carpeta “Areaverde” la
cual contiene imágenes de áreas verdes y la carpeta “000” la
cual contiene imágenes de carreteras.

Figura 18. definición del modelo a usar.

Fuente: Elaboración propia

Luego del entrenamiento se realiza una validación cruzada

(cross validation), el cual es un método estadístico que se usa
para estimar la habilidad de los modelos de aprendizaje
autónomo, se usaron los siguientes hiperparámetros:

Bs = 8
Epochs = 100
Adam con parámetros por defecto
Resize a 28x28

Figura 16. lectura de datos para el entrenamiento.

Fuente: Elaboración propia

Luego de ello se define la función de transferencia.

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 11

Como se puede observar, las entradas tanh y swish tienen una

muy buena precisión, pero para definir con cual entrada se va a
definir el modelo, se planteO un modelo de caja para una
correcta interpretación de los datos, y así observar también
datos atípicos.

Figura 19. validación cruzada

Fuente: Elaboración propia

Luego de entrenada la red con las 4 funciones de activación,

en la carpeta donde está alojada la data se generarán los
siguientes modelos, los cuales se usarán para plasmarlos en un
Box-plot con el objetivo de ver con cuál de las 4 funciones de
activación, la red se comportará mejor.

Figura 21. carga de librerías, y lectura de datos.

Fuente: Elaboración propia

Figura 20. carpeta con los archivos de accuracy y lost para

cada función de activación.
Fuente: Elaboración propia.

C. Resultados

Se realizaron los experimentos a la función de entrada,

cambiando entre las 4 posibles para evaluar el impacto de la
función de costo en la tarea de clasificación en cuestión. Los
resultados fueron los siguientes:
Figura 22. Elaboración del box plot.
Experimento Función de Accuracy Fuente: Elaboración propia
activación
1 Swish 0.9805193213621776
2 Tanh 0.9763768090804418
3 ReLU 0.8921437182029088
4 Sigmoid 0.5217330919702848
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 12

También clasificada como carretera/camino.

Como Tercera prueba, se tomó a una vista de la canchita de
la Universidad de Piura.

Figura 23. boxplot de las funciones de activación.

Fuente: Elaboración propia.

Realizando un box-plot para visualizar los datos de mejor

manera, como se puede observar el diagrama de color azul, es
el swish,, el de color naranja es el tanh, el de verde es reLU y el Figura 26. Tercer testeo.
rojo es sigmoide, como premisa anterior se iba a definir entre Fuente: Elaboración propia
tanh y swish, ambas por una precisión demasiado alta, pero la
función tanh, presenta muchos atípicos, por ello se usa la swish. Se observa que es área verde.

Tras estos ejemplos se entiende que la red ha aprendido a

clasificar, a pesar de que estas estén en la carpeta de área verde,
para testeo, la red indica que la clasificación que tuvieron de la
data para el testeo, fue errónea, por parte de la persona que
separó las imágenes en las carpetas, ahora se procede a
verificar, la carpeta de carreteras para testeo.

Figura 24. primer testeo

Fuente: Elaboración propia

Teniendo definida ya la entrada, procedemos a hacer pruebas

con la data inicial, que se obtuvo del primer vuelo del dron, de
forma arbitraria se eligió una imagen.
Como se observa, en la imagen y como primera prueba
clasifica a la imagen como una carretera, ya que es parte de un Figura 27. Cuarto testeo.
camino de tierra en un lado de la canchita UDEP, tras esto se Fuente: Elaboración propia.
procede a cambiar el nombre de la clasificación, de carretera a
carretera/camino. Como se puede observar, la imagen representa a una
carretera, y la red la está clasificando como tal.
Como segunda prueba se tomó una vista diferente de la
misma zona. Ahora se procede a probar la red con una imagen muy
complicada, como presencia de carretera y árboles, para probar
si con la poca data que ha tenido la red para entrenar es
suficiente para un tipo complejo de imágenes, que se
denominarán combinadas.

Figura 25: Segundo testeo.

Fuente: Elaboración propia
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022
Figura 28. Quinto testeo.
Fuente: Elaboración propia
Como resultado tenemos, que la clasifica como área verde
con una alta certeza, dada la presencia de árboles, sin embargo
también está la presencia de carretera, esto indica que la red
tuvo que tener más datos de carretera para entrenar, un
problema ya que la data que se obtuvo del 2do vuelo, se
encuentra en formato jpg, en vez de tif y también siendo menor
en cantidad, y para finalizar, la red no tuvo un entrenamiento de
imágenes combinadas, por eso se espera que esta no clasifique
de manera precisa.
VIII. CONCLUSIONES
• La obtención de la primera toma imágenes aéreas no
fueron lo suficientemente buenas, esto debido a que se
realizaron las tomas a mediados de las seis de la tarde.
A pesar de que aún había luz natural, no era suficiente
para poder tomar unas buenas capturas. Se recomienda
hacer uso del dron y la cámara en un horario en donde
la luz natural sea lo suficientemente favorable con la
obtención de imágenes de buena calidad. Se realizó
una segunda toma de datos en donde la luz del día ya
era totalmente favorable.
• Es importante tener una buena data, clasificada, pues
esto hará que la red neuronal entrene de la forma
adecuada. Además, hay que tener en cuenta los valores
de Dropout para evitar el overfitting, que hará que la
red se vuelva poco efectiva y no prediga de la forma
correcta.
• Es importante hacer un buen procesamiento de la
imagen para que la red entrene de manera adecuada y
no tan lenta debido al tamaño de la imagen.
• De los resultados brindados por las pruebas se
concluye que la red no clasifica de forma muy certera,
ciertas fotos, esto debido a la data limitada y escasa
con la que se contó, sin embargo la red en general
clasifica de forma correcta, también se hubiera puesto
una clasificación mixta, sin embargo no se contaba con
la suficiente data para entrenar la red.
• Se tuvo que hacer pruebas con las 4 entradas para saber
cual era la correcta, a priori eran las funciones de
activación de nombre swish y tanh las que mejores
resultados presentaban, sin embargo, al hacer
agrupación de datos y mostrarlos en un diagrama de
caja, la función de activación tanh presentaba más
13
atípicos que swish, por eso se decidió usar la entrada
swish.
• Para una mejor clasificación de las imágenes, se
necesita más entrenamiento de la red, que a su vez
conlleva un mayor ingreso de datos para "el
aprendizaje" de esta, sin embargo la obtención de la
data no fue nada sencillo, ya que se tiene que disponer
de un dron para tomar las mejores vistas áreas, saber
programarlo, y tener listas todas sus fuentes de carga,
así como de la batería de la cámara, y bien colocada la
memoria en donde se recepciona y guarda las
imágenes.
IX. REFERENCIAS
[1] L. Pérez, «Identificación de vegetación en imágenes
satelitales,» México D.F, 2014.
[2] A. Berrondo, «Detección de carreteras en imágenes de
reconocimiento remoto mediante deep learning,» País Vasco,
2020.
[3] A. Sánchez y S. Arguijo, «Análisis de imágenes
multiespectrales para la detección de cultivos y detección de
plagas y enfermedades en la producción de café,» vol. 83, nº
147, pp. 309-317, 2018.
[4] M. D. P. García y J. Gutierrez, «Estudio de Índices de
vegetación a partir de imágenes aéreas tomadas desde
UAS/RPAS y aplicaciones de estos a la agricultura de
precisión,» Madrid, 2015.
[5] J. Negron, R. Legarda y V. Uc, «Enfoque para la clasificaci ́on
de vegetación polin ı́ fera usando im ́agenes multiespectrales y
redes neuronales,» Research in Computing Science, vol. 147,
nº 5, pp. 79-91, Mayo 2018.
[6] B. Baruffaldi, J. Cavalieri y J. Baruffaldi, «Segmentación de
imágenes RGB para aplicación selectiva sobre barbecho,» de
CAI, Congreso Argentino de Agroinformàtica, Argentina,
2020.
[7] S. C. L. Q. a. G. W. M. y. Wu, Ground Object Classification
Based on UAV Multispectral Images, China, 2019, pp. 4629-
4634.
[8] R. Claros, A. Guevara y N. Pacas, «Aplicación de fotogametría
aérea en levantamientos topográficos mediante el uso de
vehículos aéreos no tripulados,» San Miguel, 2016.
[9] J. N. Espinosa, «Innovación y producción de recursos,»
Samborondón, 2019.
[10] Real Academia Española, «Real Academia Española,» [En
línea]. Available: https://dle.rae.es/imagen. [Último acceso: 24
Junio 2022].
[11] A. Catalán, «Técnicas de procesamiento digital de imágenes,»
Revista de Marina, vol. 136, nº 969, 2019.
[12] S.-H. Y. Bustamante, «Algoritmos de procesamiento de
imagen aplicados a la detección de figuras geométricas y sus
propiedades espaciales,» Valparaíso, 2014.
[13] J. C. S. Julca, «Evaluación del rendimiento de las arquitecturas
HPS y HPS+FPGA para un sistema de procesamiento de
imágenes,» Piura, 2020.
[14] Y. I. Torres, «El uso de los espacios de color en aplicaciones a
la clasificación de imágenes de microscopía,» Santa Clara,
2018.
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 14

[15] C. R. Santos, 16 Enero 2017. [En línea]. Available:

http://cristinoramirezsantos.blogspot.com/2017/01/imagenes-
rgb.html. [Último acceso: Mayo 2022].
[16] A. C. F. Reyes, «Técnicas de realce de imágenes,» México,
2017.
[17] M. G. G. G. y. J. L. H. E. Correa, «Diseño e implementación
de una arquitecura de red neuronal artificial del tipo
convolucional para clasficar imágenes de hojas de banano con
hongos o plagas o enfermedades,» Piura, 2020.
[18] Santander Universidades, «Santander Becas,» 9 Abril 2021.
[En línea]. Available: https://www.becas-
santander.com/es/blog/python-que-es.html.
[19] J. Buhigas, «Puentes digitales,» 14 Febrero 2018. [En línea].
Available: https://puentesdigitales.com/2018/02/14/todo-lo-
que-necesitas-saber-sobre-tensorflow-la-plataforma-para-
inteligencia-artificial-de-google/. [Último acceso: Mayo 2022].
[20] « Drone JII Matrice 600 Pro,» Madrid.
[21] M. R.-M. SenseFly an ageagle company, Estados unidos, 2018.
 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 15

Gestión del proyecto y cronograma

El desarrollo de este proyecto siguió el siguiente cronograma:

Evento Fecha Inicio Fecha

Fin
Reunión 25 de abril 25 de abril
Obtención de la Data 26 de abril 29 de abril
Reunión 30 de abril 30 de abril
Corrección de Errores del Informe 1 1 de mayo 21 de mayo
Preparación y Entrenamiento de la Red 3 de mayo 22 de mayo
Neuronal
Reunión con el asesor 3 de mayo 3 de mayo
Recolección de las tomas aéreas 9 de mayo 9 de mayo
Preparación del Informe 2 3 de mayo 22 de mayo
Corrección de informe 2 22 de mayo 24 de junio
Desarrollo de Resultados 22 de mayo 24 de junio
Reunión con asesor 29 de mayo 29 de mayo
Reunión grupal 30 de mayo 30 de mayo
Toma de data adicional 15 de junio 15 junio
Reunión grupal 16 de junio 16 de junio
Reunión grupal 20 de junio 20 de junio
Reunión grupal 24 de junio 24 de junio

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

Nombre del alumno o asesor Fecha de reunión Firma

William Ipanaqué Alama

Miguel A. Carrasco Montero

Carla G. Jimenez Silva

José R. Palacios Elías

Rolando J. Silva Calderón

Jean Paul F. Sánchez Santillán

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 17

ACTA N°2

Temas Tratados: Corrección y mejoras al trabajo con respecto a lo avanzado en el informe 1.

Acuerdos: Se acordó mejorar el estado del arte, marco teórico, realizar bien las citas y referencias; se acordó cambiar
el formato de APA a IEEE por preferencia del docente.

Nombre del alumno o asesor Fecha de reunión Firma

William Ipanaqué Alama

Miguel A. Carrasco Montero

Carla G. Jimenez Silva

José R. Palacios Elías

Rolando J. Silva Calderón

Jean Paul F. Sánchez Santillán

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 18

ACTA N°3

Temas Tratados: Recojo de la data y repartición de tareas.

Acuerdos: Una vez obtenidas las fotos aéreas, se realizó la división de tareas. Se acordó en dividir el equipo de trabajo
en redacción y parte experimental.

Nombre del alumno o asesor Fecha de reunión Firma

Miguel A. Carrasco Montero 09/05/22

Carla G. Jimenez Silva 09/05/22

José R. Palacios Elías 09/05/22

Rolando J. Silva Calderón 09/05/22

Jean Paul F. Sánchez Santillán 09/05/22

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 19

ACTA N°4

Temas Tratados: Corrección y mejoras al trabajo con respecto a lo avanzado en el informe 2.

Acuerdos: Se acordó mejorar el estado del arte, marco teórico, realizar bien las citas, referencias y realizar los resultados
con la data tomada.

Nombre del alumno o asesor Fecha de reunión Firma

William Ipanaqué Alama 29/05/22

Miguel A. Carrasco Montero 29/05/22

Carla G. Jimenez Silva 29/05/22

José R. Palacios Elías 29/05/22

Rolando J. Silva Calderón 29/05/22

Jean Paul F. Sánchez Santillán 29/05/22

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 20

ACTA N°5

Temas Tratados: Repartición de tareas.

Acuerdos: Una vez recibido lo que el ingeniero nos recomendó mejorar, nos repartimos las tareas para poder realizar
un mejor trabajo.

Nombre del alumno o asesor Fecha de reunión Firma

Miguel A. Carrasco Montero 30/05/22

Carla G. Jimenez Silva 30/05/22

José R. Palacios Elías 30/05/22

Rolando J. Silva Calderón 30/05/22

Jean Paul F. Sánchez Santillán 30/05/22

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 21

ACTA N°6

Temas Tratados: Recojo de la data, clasificación y repartición de tareas.

Acuerdos: Una vez obtenidas las fotos aéreas, se subieron a un drive y nos repartimos la clasificación de las mismas
ya que las imágenes están divididas en 5 bandas. Nos repartimos las tareas para avanzar a buen tiempo.

Nombre del alumno o asesor Fecha de reunión Firma

Miguel A. Carrasco Montero 16/06/22

Carla G. Jimenez Silva 16/06/22

José R. Palacios Elías 16/06/22

Rolando J. Silva Calderón 16/06/22

Jean Paul F. Sánchez Santillán 16/06/22

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 22

ACTA N°7

Temas Tratados: Reunión para grabar.

Acuerdos: Nos reunimos en las instalaciones de la universidad para poder realizar las tomas necesarias para el video
de la entrega final.

Nombre del alumno o asesor Fecha de reunión Firma

Miguel A. Carrasco Montero 20/06/22

Carla G. Jimenez Silva 20/06/22

José R. Palacios Elías 20/06/22

Rolando J. Silva Calderón 20/06/22

Jean Paul F. Sánchez Santillán 20/06/22

 Trabajo de investigación del curso de Sistemas automáticos de control de la Universidad de Piura, 2022 23

ACTA N°8

Temas Tratados: Últimos detalles.

Acuerdos: Se realizaron los últimos detalles en todo lo que se presentará. Se revisó y se mandó a imprimir.

Nombre del alumno o asesor Fecha de reunión Firma

Miguel A. Carrasco Montero 24/06/22

Carla G. Jimenez Silva 24/06/22

José R. Palacios Elías 24/06/22

Rolando J. Silva Calderón 24/06/22

Jean Paul F. Sánchez Santillán 24/06/22