Detección de minas anti-personales en señales de GPR con técnicas de machine learning
Dada la cantidad de muertos y heridos a nivel mundial anualmente debido a los campos minados (30.000)[1], surge la necesidad de llevar a cabo la labor humanitaria de despejar los campos minados. Específicamente en Colombia se estima que podría haber alrededor de 50.000 minas anti-personales en varia...
- Autores:
-
Whaite Gimon, Franklin Eduardo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2017
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/40033
- Acceso en línea:
- http://hdl.handle.net/1992/40033
- Palabra clave:
- Radar de penetración terrestre
Minas antipersonales
Aprendizaje automático (Inteligencia artificial)
Métodos de simulación
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
| id |
UNIANDES2_abdb4f4616e549e9dfed689dea2c3935 |
|---|---|
| oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/40033 |
| network_acronym_str |
UNIANDES2 |
| network_name_str |
Séneca: repositorio Uniandes |
| repository_id_str |
|
| dc.title.es_CO.fl_str_mv |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| title |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| spellingShingle |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning Radar de penetración terrestre Minas antipersonales Aprendizaje automático (Inteligencia artificial) Métodos de simulación Ingeniería |
| title_short |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| title_full |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| title_fullStr |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| title_full_unstemmed |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| title_sort |
Detección de minas anti-personales en señales de GPR con técnicas de machine learning |
| dc.creator.fl_str_mv |
Whaite Gimon, Franklin Eduardo |
| dc.contributor.advisor.none.fl_str_mv |
Bustamante Miller, Roberto Giraldo Trujillo, Luis Felipe |
| dc.contributor.author.none.fl_str_mv |
Whaite Gimon, Franklin Eduardo |
| dc.contributor.jury.none.fl_str_mv |
Lozano Martínez, Fernando Enrique |
| dc.subject.keyword.es_CO.fl_str_mv |
Radar de penetración terrestre Minas antipersonales Aprendizaje automático (Inteligencia artificial) Métodos de simulación |
| topic |
Radar de penetración terrestre Minas antipersonales Aprendizaje automático (Inteligencia artificial) Métodos de simulación Ingeniería |
| dc.subject.themes.none.fl_str_mv |
Ingeniería |
| description |
Dada la cantidad de muertos y heridos a nivel mundial anualmente debido a los campos minados (30.000)[1], surge la necesidad de llevar a cabo la labor humanitaria de despejar los campos minados. Específicamente en Colombia se estima que podría haber alrededor de 50.000 minas anti-personales en varias regiones del país. También se cree que el temor a estas ha generado un desplazamiento forzoso de por lo menos 500.000 personas en diferentes regiones, según [2]. Una alternativa que presenta grandes ventajas para el desminado es el uso de sistemas de radares de penetración de suelos (GPR por sus siglas en ingles) para la detección de minas. Sin embargo esta alternativo tiene una desventaja implícita, la lectura de las señales de GPR no es tarea fácil por lo cual se requiere del criterio de un experto para interpretar las señales obtenidas. Esta falencia se puede mejorar por medio de algoritmos que permitan automatizar el proceso. El presente trabajo busca implementar técnicas de Machine Learning para tales fines. Para esto se realizaron 528 simulaciones en una variedad de escenarios en las cuales la mitad de los datos corresponde a la clase con mina y la otra a la clase sin mina. Por otro lado previo al entrenamiento se hizo una investigación de varias características y luego se usaron algoritmos para seleccionar entre estas. De esta forma se obtuvo un modelo predictivo para el problema planteado y además se identificó el sub-conjunto de las características para clasificar |
| publishDate |
2017 |
| dc.date.issued.none.fl_str_mv |
2017 |
| dc.date.accessioned.none.fl_str_mv |
2020-06-10T16:46:19Z |
| dc.date.available.none.fl_str_mv |
2020-06-10T16:46:19Z |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
| dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/40033 |
| dc.identifier.pdf.none.fl_str_mv |
u806638.pdf |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
| url |
http://hdl.handle.net/1992/40033 |
| identifier_str_mv |
u806638.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
| dc.language.iso.es_CO.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.es_CO.fl_str_mv |
39 hojas |
| dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
| dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
| dc.publisher.program.es_CO.fl_str_mv |
Ingeniería Electrónica |
| dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.department.es_CO.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
| dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
| instname_str |
Universidad de los Andes |
| institution |
Universidad de los Andes |
| reponame_str |
Repositorio Institucional Séneca |
| collection |
Repositorio Institucional Séneca |
| bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/f7afccba-2b01-4296-8982-c229a4051f2c/download https://repositorio.uniandes.edu.co/bitstreams/fe8b93c3-2255-43f5-a42b-a88ef55cda29/download https://repositorio.uniandes.edu.co/bitstreams/1704e8f5-ac3e-4180-8310-3169b69f7dd3/download |
| bitstream.checksum.fl_str_mv |
b6d75778ff1de28502b1a2212c595271 8923b499c0fa223e844c638f7ff72087 05839273e1b7b58bbb87427c052fdc78 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio institucional Séneca |
| repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
| _version_ |
1812133868393725952 |
| spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Bustamante Miller, Robertovirtual::4544-1Giraldo Trujillo, Luis Felipevirtual::4545-1Whaite Gimon, Franklin Eduardo1da73e86-cdcb-467c-964d-1cdee70c3385500Lozano Martínez, Fernando Enrique2020-06-10T16:46:19Z2020-06-10T16:46:19Z2017http://hdl.handle.net/1992/40033u806638.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/Dada la cantidad de muertos y heridos a nivel mundial anualmente debido a los campos minados (30.000)[1], surge la necesidad de llevar a cabo la labor humanitaria de despejar los campos minados. Específicamente en Colombia se estima que podría haber alrededor de 50.000 minas anti-personales en varias regiones del país. También se cree que el temor a estas ha generado un desplazamiento forzoso de por lo menos 500.000 personas en diferentes regiones, según [2]. Una alternativa que presenta grandes ventajas para el desminado es el uso de sistemas de radares de penetración de suelos (GPR por sus siglas en ingles) para la detección de minas. Sin embargo esta alternativo tiene una desventaja implícita, la lectura de las señales de GPR no es tarea fácil por lo cual se requiere del criterio de un experto para interpretar las señales obtenidas. Esta falencia se puede mejorar por medio de algoritmos que permitan automatizar el proceso. El presente trabajo busca implementar técnicas de Machine Learning para tales fines. Para esto se realizaron 528 simulaciones en una variedad de escenarios en las cuales la mitad de los datos corresponde a la clase con mina y la otra a la clase sin mina. Por otro lado previo al entrenamiento se hizo una investigación de varias características y luego se usaron algoritmos para seleccionar entre estas. De esta forma se obtuvo un modelo predictivo para el problema planteado y además se identificó el sub-conjunto de las características para clasificar"In Colombia landmine detection is an important issue. It is costum to perform this task with metal detectors. These have an disadvantage, they can only detect metalic landmines and cannot distinguish between landmines and clutter. Thus this work studies the posibility of using Machine Learning techniques to detect the presence of anti personal landmines in GPR signals."--Tomado del Formato de Documento de GradoIngeniero ElectrónicoPregrado39 hojasapplication/pdfspaUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y Electrónicainstname:Universidad de los Andesreponame:Repositorio Institucional SénecaDetección de minas anti-personales en señales de GPR con técnicas de machine learningTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPRadar de penetración terrestreMinas antipersonalesAprendizaje automático (Inteligencia artificial)Métodos de simulaciónIngenieríaPublicationhttps://scholar.google.es/citations?user=4TGvo8AAAAJvirtual::4545-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000221791virtual::4544-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000802506virtual::4545-10665c4e9-e83c-457d-9d54-217e4a459b81virtual::4544-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::4545-10665c4e9-e83c-457d-9d54-217e4a459b81virtual::4544-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::4545-1THUMBNAILu806638.pdf.jpgu806638.pdf.jpgIM Thumbnailimage/jpeg11660https://repositorio.uniandes.edu.co/bitstreams/f7afccba-2b01-4296-8982-c229a4051f2c/downloadb6d75778ff1de28502b1a2212c595271MD55TEXTu806638.pdf.txtu806638.pdf.txtExtracted texttext/plain82284https://repositorio.uniandes.edu.co/bitstreams/fe8b93c3-2255-43f5-a42b-a88ef55cda29/download8923b499c0fa223e844c638f7ff72087MD54ORIGINALu806638.pdfapplication/pdf1263504https://repositorio.uniandes.edu.co/bitstreams/1704e8f5-ac3e-4180-8310-3169b69f7dd3/download05839273e1b7b58bbb87427c052fdc78MD511992/40033oai:repositorio.uniandes.edu.co:1992/400332024-03-13 12:42:58.06https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |