Detección de objetos de interés en zonas selváticas usando modelos de Deep Learning en imágenes de cámaras infrarrojas

Una de las instituciones que conforma al Ejército y que ha jugado un papel importante en la lucha contra la insurgencia armada ha sido la Fuerza Aérea Colombiana (FAC), institución que busca una mano en instituciones de educación superior, tales como la Universidad de los Andes, para lograr la modernización y tecnificación constante de sus procesos operativos. En dicha institución educativa, junto con la FAC se realiza de manera conjunta el evento Codefest Ad Astra. Como resultado de esta actividad en el año 2023, se tuvieron en cuenta un conjunto de modelos basados en Deep Learning para detección de entidades tales como carreteras o edificaciones que indiquen la presencia de grupos armados al margen de la ley o de narcotráfico, específicamente en cámaras tipo FLIR (Forward Looking InfraRed, por su traducción al español, infrarrojo de barrido frontal). El presente trabajo tuvo como objetivos refinar y optimizar dichos modelos para la detección precisa de objetos de interés en videos de zonas selváticas capturados mediante el uso de cámaras infrarrojas en aeronaves tripuladas como parte de misiones de reconocimiento y seguridad de la FAC. Particularmente, se mejoraron las métricas de los modelos en términos de reconocimiento de entidades tales como carreteras, ríos, zonas de minería ilegal y construcciones que señalaban la presencia de campamentos insurgentes o de narcotráfico, incluso alcanzando, en uno de los modelos, un f1-score promedio ponderado de 0,84, un aumento de 12 puntos respecto al modelo original. Esta mejora se dio utilizando transferencia de aprendizaje, extendiendo el conjunto de datos mediante técnicas de aumento de datos tales como distorsiones o cambios en brillo y contraste de los fotogramas de los videos originales. Adicionalmente, se exploraron alternativas de despliegue en hardware especializado como la Edge TPU de Google; mediante procesos de cuantización se adaptaron los modelos para ser ejecutados en dicho hardware. Por último, se establecieron tiempos de ejecución y de inferencia como base para futuros trabajos al respecto.

• Autores: Castro del Valle, Julián Humberto
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2025
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/76288
• Acceso en línea: https://hdl.handle.net/1992/76288
• Palabra clave: Machine learning; Transferencia de aprendizaje; Redes neuronales; Cuantización; Aumento de datos; Inteligencia artificial; Ingeniería
• Rights: openAccess
• License: Attribution-NonCommercial-NoDerivatives 4.0 International