Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial
imágenes, gráficas
- Autores:
- Tipo de recurso:
- Fecha de publicación:
- 2025
- Institución:
- Universidad de Caldas
- Repositorio:
- Repositorio Institucional U. Caldas
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.ucaldas.edu.co:ucaldas/21981
- Acceso en línea:
- https://repositorio.ucaldas.edu.co/handle/ucaldas/21981
- Palabra clave:
- 570 - Biología
1. Ciencias Naturales
Redes neuronales
Inteligencia artificial
Conservación
Clasificación bioacústica
Espectrogramas
Biología
Neurobiología
- Rights
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
REPOUCALDA_62dcf019853d3e2e1c6fef77a6ca7a11 |
|---|---|
| oai_identifier_str |
oai:repositorio.ucaldas.edu.co:ucaldas/21981 |
| network_acronym_str |
REPOUCALDA |
| network_name_str |
Repositorio Institucional U. Caldas |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| title |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| spellingShingle |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial 570 - Biología 1. Ciencias Naturales Redes neuronales Inteligencia artificial Conservación Clasificación bioacústica Espectrogramas Biología Neurobiología |
| title_short |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| title_full |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| title_fullStr |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| title_full_unstemmed |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| title_sort |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial |
| dc.contributor.none.fl_str_mv |
Rojas Díaz, Jerónimo Universidad de Caldas Rojas Díaz, Jerónimo |
| dc.subject.none.fl_str_mv |
570 - Biología 1. Ciencias Naturales Redes neuronales Inteligencia artificial Conservación Clasificación bioacústica Espectrogramas Biología Neurobiología |
| topic |
570 - Biología 1. Ciencias Naturales Redes neuronales Inteligencia artificial Conservación Clasificación bioacústica Espectrogramas Biología Neurobiología |
| description |
imágenes, gráficas |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025-02-10T15:03:13Z 2025-02-10T15:03:13Z 2025-02-06 |
| dc.type.none.fl_str_mv |
Trabajo de grado - Pregrado http://purl.org/coar/resource_type/c_7a1f Text info:eu-repo/semantics/bachelorThesis |
| dc.identifier.none.fl_str_mv |
https://repositorio.ucaldas.edu.co/handle/ucaldas/21981 Universidad de Caldas Repositorio Institucional Universidad de Caldas repositorio.ucaldas.edu.co |
| url |
https://repositorio.ucaldas.edu.co/handle/ucaldas/21981 |
| identifier_str_mv |
Universidad de Caldas Repositorio Institucional Universidad de Caldas repositorio.ucaldas.edu.co |
| dc.language.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.none.fl_str_mv |
Bedoya, C., Isaza, C., Daza, J. M., & López, J. D. (2014). Automatic recognition of anuran species based on syllable identification. Ecological Informatics. https://doi.org/10.1016/j.ecoinf.2014.01.004 Kumar, R., Gupta, M., & Ahmed, S. (2021). Intelligent Audio Signal Processing for Detecting Rainforest Species Using Deep Learning. Intelligent Automation & Soft Computing. Recuperado de: https://pdfs.semanticscholar.org/4d94/a15b7f2a289a3e1eda159dd1045348309352. pdf Bedoya, C., Isaza, C., Daza, J. M., & López, J. D. (2014). Automatic recognition of anuran species based on syllable identification. Ecological Informatics. https://doi.org/10.1016/j.ecoinf.2014.01.004 Cannatella, D. C., & Ford, L. S. (1993). The major clades of frogs. Herpetological Monographs, 7, 94-117. https://doi.org/10.2307/1466954 Faivovich, J., Haddad, C. F. B., Garcia, P. C. A., & Frost, D. R. (2005). Systematic review of the frog family Hylidae. Bulletin of the American Museum of Natural History. https://doi.org/10.1206/0003-0090(2005)294[0001:SROTFF]2.0.CO;2 Grosjean, S. (2005). Developmental stages for anuran taxonomy: a case study in Rana (Sylvirana) nigrovittata. Contributions to Zoology, 74(1-2), 61-76. https://doi.org/10.1163/18759866-0740102004 Xeno-Canto. (s.f.). Bird songs worldwide. Recuperado de https://www.xenocanto.org/ GBIF. (s.f.). Global Biodiversity Information Facility. Recuperado de https://www.gbif.org/ Macaulay Library. (s.f.). A scientific archive for research. Recuperado de https://www.macaulaylibrary.org/ Chollet, F. (2017). Deep Learning with Python. Manning Publications Harris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020- 2649-2 McFee, B., Raffel, C., Liang, D., et al. (2015). librosa: Audio and music signal analysis in Python. Proceedings of the 14th Python in Science Conference, 18–24. https://doi.org/10.25080/Majora-7b98e3ed-003 McKinney, W. (2010). Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference, 51–56. Tammina, S. (2019). Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images. International Journal of Scientific and Research Publications. Recuperado de https://www.researchgate.net/publication/337105858 Coleman, C., Narayanan, D., Kang, D., Zhao, T., Zhang, J., & Bailis, P. (2017). Dawnbench: An end-to-end deep learning benchmark and competition. Neural Information Processing Systems. Recuperado de https://ddkang.github.io/papers/dawnbench-nips17.pdf Khalighifar, A., Brown, R. M., & Goyes Vallejos, J. (2021). Deep learning improves acoustic biodiversity monitoring and new candidate forest frog species identification (genus Platymantis) in the Philippines. Biodiversity and Conservation. Recuperado de https://link.springer.com/article/10.1007/s10531-020-02107-1 Stowell, D. (2022). Computational bioacoustics with deep learning: A review and roadmap. PeerJ. Recuperado de https://peerj.com/articles/13152/ Thakur, A., & Rajan, P. (2019). Deep archetypal analysis-based intermediate matching kernel for bioacoustic classification. IEEE Journal of Selected Topics in Signal Processing. Recuperado de https://faculty.iitmandi.ac.in/~padman/papers/thakur_DAA_IMK_jstsp2019.pdf Xie, J., Zhang, J., & Hines, H. (2022). Frog calling activity detection using lightweight CNN with multi-view spectrogram: A case study on Kroombit tinker frog. Machine Learning with Applications. Recuperado de https://www.sciencedirect.com/science/article/pii/S2666827021001018 |
| dc.rights.none.fl_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://creativecommons.org/licenses/by-nc-nd/4.0/ Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| dc.format.none.fl_str_mv |
16 páginas application/pdf application/pdf application/pdf application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad de Caldas Facultad de Ciencias Exactas y Naturales Manizales, Caldas, Colombia Biología |
| publisher.none.fl_str_mv |
Universidad de Caldas Facultad de Ciencias Exactas y Naturales Manizales, Caldas, Colombia Biología |
| institution |
Universidad de Caldas |
| repository.name.fl_str_mv |
|
| repository.mail.fl_str_mv |
|
| _version_ |
1836145036779061248 |
| spelling |
Bioacústica para el reconocimiento de especies de anuros mediante herramientas de inteligencia artificial570 - Biología1. Ciencias NaturalesRedes neuronalesInteligencia artificialConservaciónClasificación bioacústicaEspectrogramasBiologíaNeurobiologíaimágenes, gráficasLa identificación de vocalizaciones de anuros constituye una herramienta fundamental para la ecología y la conservación, ya que facilita el monitoreo de poblaciones, la detección de especies y la evaluación de cambios en los ecosistemas de manera no invasiva. Este trabajo desarrolla un modelo basado en redes neuronales convolucionales (CNN) para clasificar las vocalizaciones de especies pertenecientes a las familias Bufonidae, Hylidae y Ranidae. Las grabaciones, obtenidas de bases de datos reconocidas como Xeno-Canto, GBIF y Macaulay Library, fueron seleccionadas siguiendo criterios estrictos de calidad acústica, minimizando el ruido ambiental y la superposición de llamadas. Estas grabaciones fueron transformadas en espectrogramas y procesadas mediante herramientas avanzadas de aprendizaje profundo implementadas en Python y TensorFlow. El modelo alcanzó una exactitud del 47.11% en el conjunto de validación, acompañado de una pérdida de 1.1153, lo que refleja las complejidades inherentes al análisis de datos bioacústicos, tales como la alta variabilidad en las grabaciones y el tamaño limitado del conjunto de datos. Este desempeño, aunque modesto, evidencia el potencial de las CNN para abordar desafíos relacionados con la clasificación automatizada de vocalizaciones en entornos acústicamente complejos. Además, los resultados destacan áreas clave para mejora, como el aumento y la diversificación de los datos, la incorporación de técnicas avanzadas de preprocesamiento acústico, y la exploración de arquitecturas más robustas, como redes híbridas o modelos preentrenados. Este estudio establece una base sólida para futuros trabajos en clasificación bioacústica y enfatiza la relevancia del aprendizaje profundo como una herramienta clave en la conservación de la biodiversidad, permitiendo monitorear especies de manera eficiente y escalable en respuesta a las crecientes amenazas ambientales.The identification of anuran vocalizations is a crucial tool for ecology and conservation, as it facilitates population monitoring, species detection, and the assessment of ecosystem changes in a non-invasive manner. This study develops a model based on convolutional neural networks (CNNs) to classify vocalizations from species within the Bufonidae, Hylidae, and Ranidae families. The recordings, sourced from recognized databases such as XenoCanto, GBIF, and the Macaulay Library, were selected based on strict acoustic quality criteria, minimizing environmental noise and call overlap. These recordings were transformed into spectrograms and processed using advanced deep learning tools implemented in Python and TensorFlow. The model achieved an accuracy of 47.11% on the validation set, with a loss of 1.1153, reflecting the complexities inherent in bioacoustic data analysis, such as high variability in recordings and the limited size of the dataset. Although this performance is modest, it demonstrates the potential of CNNs to address challenges in the automated classification of vocalizations in acoustically complex environments. Furthermore, the results highlight key areas for improvement, such as increasing and diversifying the dataset, incorporating advanced acoustic preprocessing techniques, and exploring more robust architectures like hybrid networks or pretrained models. This study provides a solid foundation for future bioacoustic classification efforts and underscores the relevance of deep learning as a critical tool for biodiversity conservation, enabling efficient and scalable species monitoring in response to growing environmental threats.PregradoBiólogo(a)Universidad de CaldasFacultad de Ciencias Exactas y NaturalesManizales, Caldas, ColombiaBiologíaRojas Díaz, JerónimoUniversidad de CaldasRojas Díaz, JerónimoMejía Vergara, Juan Diego2025-02-10T15:03:13Z2025-02-10T15:03:13Z2025-02-06Trabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesis16 páginasapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttps://repositorio.ucaldas.edu.co/handle/ucaldas/21981Universidad de CaldasRepositorio Institucional Universidad de Caldasrepositorio.ucaldas.edu.cospaBedoya, C., Isaza, C., Daza, J. M., & López, J. D. (2014). Automatic recognition of anuran species based on syllable identification. Ecological Informatics. https://doi.org/10.1016/j.ecoinf.2014.01.004Kumar, R., Gupta, M., & Ahmed, S. (2021). Intelligent Audio Signal Processing for Detecting Rainforest Species Using Deep Learning. Intelligent Automation & Soft Computing. Recuperado de: https://pdfs.semanticscholar.org/4d94/a15b7f2a289a3e1eda159dd1045348309352. pdfBedoya, C., Isaza, C., Daza, J. M., & López, J. D. (2014). Automatic recognition of anuran species based on syllable identification. Ecological Informatics. https://doi.org/10.1016/j.ecoinf.2014.01.004Cannatella, D. C., & Ford, L. S. (1993). The major clades of frogs. Herpetological Monographs, 7, 94-117. https://doi.org/10.2307/1466954Faivovich, J., Haddad, C. F. B., Garcia, P. C. A., & Frost, D. R. (2005). Systematic review of the frog family Hylidae. Bulletin of the American Museum of Natural History. https://doi.org/10.1206/0003-0090(2005)294[0001:SROTFF]2.0.CO;2Grosjean, S. (2005). Developmental stages for anuran taxonomy: a case study in Rana (Sylvirana) nigrovittata. Contributions to Zoology, 74(1-2), 61-76. https://doi.org/10.1163/18759866-0740102004Xeno-Canto. (s.f.). Bird songs worldwide. Recuperado de https://www.xenocanto.org/GBIF. (s.f.). Global Biodiversity Information Facility. Recuperado de https://www.gbif.org/Macaulay Library. (s.f.). A scientific archive for research. Recuperado de https://www.macaulaylibrary.org/Chollet, F. (2017). Deep Learning with Python. Manning PublicationsHarris, C. R., Millman, K. J., van der Walt, S. J., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020- 2649-2McFee, B., Raffel, C., Liang, D., et al. (2015). librosa: Audio and music signal analysis in Python. Proceedings of the 14th Python in Science Conference, 18–24. https://doi.org/10.25080/Majora-7b98e3ed-003McKinney, W. (2010). Data Structures for Statistical Computing in Python. Proceedings of the 9th Python in Science Conference, 51–56.Tammina, S. (2019). Transfer learning using VGG-16 with Deep Convolutional Neural Network for Classifying Images. International Journal of Scientific and Research Publications. Recuperado de https://www.researchgate.net/publication/337105858Coleman, C., Narayanan, D., Kang, D., Zhao, T., Zhang, J., & Bailis, P. (2017). Dawnbench: An end-to-end deep learning benchmark and competition. Neural Information Processing Systems. Recuperado de https://ddkang.github.io/papers/dawnbench-nips17.pdfKhalighifar, A., Brown, R. M., & Goyes Vallejos, J. (2021). Deep learning improves acoustic biodiversity monitoring and new candidate forest frog species identification (genus Platymantis) in the Philippines. Biodiversity and Conservation. Recuperado de https://link.springer.com/article/10.1007/s10531-020-02107-1Stowell, D. (2022). Computational bioacoustics with deep learning: A review and roadmap. PeerJ. Recuperado de https://peerj.com/articles/13152/Thakur, A., & Rajan, P. (2019). Deep archetypal analysis-based intermediate matching kernel for bioacoustic classification. IEEE Journal of Selected Topics in Signal Processing. Recuperado de https://faculty.iitmandi.ac.in/~padman/papers/thakur_DAA_IMK_jstsp2019.pdfXie, J., Zhang, J., & Hines, H. (2022). Frog calling activity detection using lightweight CNN with multi-view spectrogram: A case study on Kroombit tinker frog. Machine Learning with Applications. Recuperado de https://www.sciencedirect.com/science/article/pii/S2666827021001018https://creativecommons.org/licenses/by-nc-nd/4.0/Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2oai:repositorio.ucaldas.edu.co:ucaldas/219812025-02-11T08:01:23Z |