TECNOLGICO DE ESTUDIOS

SUPERIORES DE ECATEPEC
Maestra en Ingeniera en Sistemas Computacionales

Procesamiento paralelo al reconocimiento de rboles en el rea de

proteccin de flora y fauna en nevado de Toluca con redes neuronales
utilizando deep learning

T E S I S
QUE PARA OBTENER EL GRADO DE MAESTRO EN INGENIERIA EN SISTEMAS
COMPUTACIONALES

PRESENTA
ING. FRANCISCO JAVIER MAURO ESPARZA

DIRIGIDA POR
DR. ADOLFO MELENDEZ RAMIREZ

COODIRECTOR
DR. VILA CAMACHO JACOB
Ecatepec de Morelos, Edo. de Mxico ENERO 2017
 NDICE

1. Introduccin

2. Objetivos

3. Justificacin

4. Estructura de la Tesis
 INTRODUCCIN

El Parque Nacional Nevado de Toluca, es una regin montaosa que se ubica en la

parte central del Estado de Mxico, al suroeste del Valle de Toluca. Segn
PRONTINBOS, tiene un total de 48,571 has de las cuales 77.42% tiene uso forestal y
de esto ms de 50% corresponde a bosques con poca densidad, combinados con
usos agrcolas y ganaderos. El Nevado de Toluca o Xinantcatl, segn CEPANAF
(1972), es un volcn extinto que alcanza una altura de 4558 msnm. El Parque tiene
una extensin de 54,000 ha, pobladas por abundante vegetacin de pinos, cedros y
abetos en donde habitan diferentes especies animales.
 OBJETIVOS

GENERAL

Disear e implementar una red neuronal para identificar arboles en el

rea de proteccin de flora y fauna del nevado de Toluca, con imgenes
obtenidas por RPAS.
 OBJETIVOS

ESPECFICOS
Analizar mtodos alternativos de procesamiento de imgenes
obtenidas por el sistema de visin por computadora de un
sistema de medicin de amplitud que posibilite una inspeccin
precisa de la cantidad de rboles dentro de una zona.

Disear una red neuronal que tenga como principales

cualidades: la facilidad para entrenarse, buen uso de recursos
y tiempos de respuesta.

Entrenar la red neuronal con un grupo de imgenes para que

cumpla con las metas del proyecto.
 HIPOTESIS

Con el desarrollo de una red neuronal para el anlisis de

imgenes, se podrn detectar con mayor facilidad los
rboles en el rea de proteccin de flora y fauna nevado de
Toluca.
 JUSTIFICACIN
Los murdagos se encuentran ampliamente distribuidos desde
las reas forestales de los trpicos hasta las regiones
templadas, es decir, se encuentra casi en todo el mundo ya que
es el principal factor importante de que las reas estn
infestadas por el parasito.
El Parque tiene una extensin de 54,000 hectreas, pobladas por
abundante vegetacin de pinos, cedros y abetos en las que
estn identificadas dos especies de pino (Pinus montezumae,
Pinus hartwegii), las cuales son atacadas por el murdago
enano ya que es una de las plantas parasitas que viven sobre las
ramas de rboles.
Por ello es importante crear algoritmos para la deteccin de
rboles por medio de fotografas desde una cierta altura y
ayuden a identificar el problema de infestacin de plaga para
que acten en la conservacin de proteccin de flora y fauna en
el nevado de Toluca.
 ESTRUCTURA DE LA TESIS

CAPITULO 1. ESTADO DEL ARTE.

CAPITULO 2. MARCO TEORICO.

CAPITULO 3. METODOLOGA.

CAPITULO 4. MARCO DE DISEO. (AUN NO).

CAPITULO 5. MARCO DE DESARROLLO. (AUN NO).

 ANTECEDENTES

1943, se comenzaron a realizar los primeros intentos por

elaborar una red neuronal.
En los aos 80, se desarroll un concepto que, ms en el 2006 se
conocera como deep learning por medio del investigador
Geoffrey Hinton, el cual ayudo a lanzar una revolucin ambiciosa
al explorar las Redes Neuronales Artificiales, dicho
acontecimiento surgi en la universidad de Cambridge y la
Universidad de Edimburgo,
MARCO TEORICO
El deep learning conjunto de algoritmos en
aprendizaje automtico.
RED NEURONAL.

Estn inspiradas en la biologa, esto significa

que estn formadas por elementos que se
comportan de manera anloga a las neuronas
(en las funciones ms elementales) y estn
organizadas de una forma similar a la del
cerebro.
 METODOLOGIA

La implementacin es realizada en las siguientes fases que se

definen como seleccin del rea de estudio, toma de muestras en
el campo, seleccin de la informacin bibliogrfica, seleccin de
imgenes, tratamiento visual y digital de las imgenes,
comparacin y anlisis de ventajas y desventajas de las distintas
tcnicas e interpretacin de resultados, realizacin de la red
neuronal, las cuales se describen detalladamente dentro del
captulo.
SELECCIN DEL REA DE ESTUDIO

Escenario de una acelerada depredacin

tanto humana como natural.

El murdago problema reciente debido a

los niveles de infestacin del parsito.
 TOMA DE MUESTRAS EN EL CAMPO

Se realizaron visitas al lugar de inters y con uso del dron se

realizaron varios vuelos, tomando como referencia un punto
especfico obteniendo imgenes fotogrficas del rea cada 5
segundos dentro de un radio determinado
 SELECCIN DE LA INFORMACION
BIBLIOGRAFICA

Se realizo la recoleccin de informacin sobre el

tema de inters y se comienza con el trazo de
mapas en la zona.
SELECCION DE IMAGENES
Se genera una vez que ya se haya procesado la imagen mediante la
computadora ya que esto permitir la edicin.
 REFERENCIAS
AREL, Itamar; ROSE, Derek C.; KARNOWSKI, Thomas P. Deep machine learning-a
new frontier in artificial intelligence research [en lnea]. Computational Intelligence
Magazine, IEEE, 2010, vol. 5, no 4, p. 13-18. [Consultado 07 de octubre, 2014].
Disponible en Internet:
http://msrds.googlecode.com/svn/trunk/rbm/DML_Arel_2010.pdf
Artificial intelligence scientist gest $1M prize [en lnea]. CBC News, 2011. [Consultado
25 de marzo, 2014]. Disponible en Internet:
http://www.cbc.ca/news/technology/artificial-intelligence-scientist-gets-1m-prize-
1.1034093#ixzz1DxUEvAcQ
BENGIO, Yoshua; COURVILLE, Aaron C.; BERGSTRA, James S. Unsupervised
models of images by spike-and-slab RBMs [en lnea]. En Proceedings of the 28th
International Conference on Machine Learning (ICML-11). 2011. p. 1145-1152.
[Consultado 02 de diciembre, 2014]. Disponible en Internet:
http://machinelearning.wustl.edu/mlpapers/paper_files/ICML2011Courville_591.pdf
BENGIO, Yoshua, et al. Greedy layer-wise training of deep networks [en
lnea]. Advances in neural information processing systems, 2007, vol. 19,
p. 153. [Consultado 10 de octubre, 2014]. Disponible en Internet:
http://machinelearning.wustl.edu/mlpapers/paper_files/NIPS2006_739.pdf