Browsing by Author "Caro Fuentes, Vincenzo Alexo"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Reconocimiento de especie de peces aplicando extracción de características morfológicas mediante feature enineering y deep learning.
    (Universidad de Concepción, 2024) Caro Fuentes, Vincenzo Alexo; Escribano, Rubén; Urbina Foneron, Mauricio
    En esta tesis de magíster se apunta a entregar una solución que contribuya en la incorporación de tecnología y trazabilidad al proceso pesquero llevado a cabo en Chile, respecto de la discriminación automática y en línea de la composición de especies en los desembarques utilizando técnicas de visión computacional y deep learning. Adicional-mente, se entregan las bases necesarias para refinar a los modelos de discriminación, incorporando un análisis morfológico y geométrico de las características de los peces para mejorar la clasificación entre las especies de interés que son visualmente parecidas entre sí. La etapa clave del sistema de reconocimiento implementado fue la discriminación de peces, donde se utilizó el modelo YOLOv7 para la detección y clasificación automática de 6 especies pelágicas en tiempo real. Este modelo se adaptó para operar dentro del ambiente industrial en dos plantas pesqueras de la región del Biobío. Posteriormente, en un ambiente de laboratorio y con el objetivo de aumentar la precisión en la identificación de especies problemáticas como la anchoveta, la caballa, el jurel y la sardina común, se experimentó con la detección de keypoints utilizando el modelo Keypoint R-CNN para automatizar la extracción de características morfológicas de los peces. Esto condujo al desarrollo de un modelo de clasificación jerárquico que adapta una taxonomía en base a las características más específicas de las especies de peces problemáticas. Los resultados obtenidos probaron ser sobresalientes para ambos ambientes de trabajo. En el ambiente industrial, a pesar de que el sistema se enfrentó a desafíos como la detección en condiciones ambientales variables y una alta aparición de oclusiones entre los peces, se lograron pre-cisiones sobre el 90% para 4 de las 6 especies, logrando un sistema que puede operar en promedio a 54.1 imágenes por segundo, ajustándose a los estándares mínimos requeridos por el personal de Sernapesca para disponer de una herramienta que sirva de apoyo para llevar a cabo su labor. En el entorno de laboratorio, el sistema logró precisiones de hasta 1.00 para predecir especies de peces pequeñas, y 0.98 para predecir especies de peces grandes, demostrando que la identificación de keypoints es la clave para enfrentar problemas donde se puede explotar de mejor forma la taxonomía de las especies de interés.
Síguenos en...