Aplicaciones de la visión artificial como herramienta de gestión de riesgo aplicadas al monitoreo hidrometeorológico en el Valle de Aburrá.
El presente estudio se llevó a cabo con el fin de desarrollar un sistema de visión por computador para monitoreo y control de variables de gran relevancia para la gestión del riesgo como la coloración en el río Medellín y sus afluentes, y para estimar el porcentaje cobertura de nubes usando una red...
- Autores:
-
Toro Ramos, Carlos Andrés
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/76945
- Acceso en línea:
- https://repositorio.unal.edu.co/handle/unal/76945
http://bdigital.unal.edu.co/73995/
- Palabra clave:
- visión por computador
fisheye
Generaci´on de panoramas
Inteligencia artifical
K Nearest Neightbors
Support Vector Machine
Neural Networks
texturas
Redes Neuronales Artificiales
- Rights
- openAccess
- License
- Atribución-NoComercial 4.0 Internacional
| Summary: | El presente estudio se llevó a cabo con el fin de desarrollar un sistema de visión por computador para monitoreo y control de variables de gran relevancia para la gestión del riesgo como la coloración en el río Medellín y sus afluentes, y para estimar el porcentaje cobertura de nubes usando una red de cámaras distribuidas en el Valle de Aburra. Para identificar problemas de coloración en el río se implementa un sistema de detección de colores basado en el canal HSV, enmascarando la región de interés en las fotos y se establecen rangos de detección para los colores rojo, verde, azul. Para obtener el porcentaje de nubosidad en cámaras fisheye se realiza la calibración del sensor para eliminar la distorsión del mismo, posteriormente se aplica la técnica SIFT para generar un panorama de regiones solapadas, se genera una matriz de entrenamiento basada en canales de color RGB, HSV y Cie L*a*b*, y descriptores de textura LBP para clasificar pixeles correspondientes a cielo y nube con el algoritmo SVM; y finalmente, se filtra el ruido producido por la luz solar en las cámaras. Para las imágenes nocturnas se aplica ecualización de histograma, luego se establece un umbral para separar las nubes del cielo y se corrigen errores de clasificación verificando la presencia de lluvia en la zona donde se encuentran las cámaras usando pluviómetros. Los resultados obtenidos para detección de color en río para efectos prácticos son satisfactorios dado que se tienen mayor número de aciertos que de fallos, sin embargo, bajo mejores condiciones de iluminación se pueden mejorar. |
|---|