Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina

En este trabajo de grado se evalúan dos estrategias de diseño de modelos de clasificación de imágenes basados en aprendizaje profundo, aplicado a “Brazilian coffee scenes”, correspondiente con imágenes satelitales. El objetivo es determinar en qué imágenes satelitales se tiene presencia de cultivo d...

Full description

Autores:
Alarcón Alarcón, Gabriel Eduardo
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2021
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/43994
Acceso en línea:
http://hdl.handle.net/10654/43994
Palabra clave:
CAFE - CULTIVO
PROCESAMIENTO DE IMAGENES
Deep learning
coffee crops
remote sensing
transfer learning
AutoML
Brazilian coffee scenes
Aprendizaje profundo
cultivos de café
teledetección
transferencia de aprendizaje
AutoML
Brazilian coffee scenes
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-nd/4.0/
id UNIMILTAR2_19cd80709e73c34d1e338401612f2a78
oai_identifier_str oai:repository.unimilitar.edu.co:10654/43994
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
dc.title.translated.spa.fl_str_mv Recognition of coffee growing areas from satellite images using machine learning
title Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
spellingShingle Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
CAFE - CULTIVO
PROCESAMIENTO DE IMAGENES
Deep learning
coffee crops
remote sensing
transfer learning
AutoML
Brazilian coffee scenes
Aprendizaje profundo
cultivos de café
teledetección
transferencia de aprendizaje
AutoML
Brazilian coffee scenes
title_short Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
title_full Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
title_fullStr Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
title_full_unstemmed Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
title_sort Reconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
dc.creator.fl_str_mv Alarcón Alarcón, Gabriel Eduardo
dc.contributor.advisor.none.fl_str_mv Renza Torres, Diego
dc.contributor.author.none.fl_str_mv Alarcón Alarcón, Gabriel Eduardo
dc.contributor.other.none.fl_str_mv Ballesteros Larrotta, Dora María
dc.subject.lemb.spa.fl_str_mv CAFE - CULTIVO
PROCESAMIENTO DE IMAGENES
topic CAFE - CULTIVO
PROCESAMIENTO DE IMAGENES
Deep learning
coffee crops
remote sensing
transfer learning
AutoML
Brazilian coffee scenes
Aprendizaje profundo
cultivos de café
teledetección
transferencia de aprendizaje
AutoML
Brazilian coffee scenes
dc.subject.keywords.spa.fl_str_mv Deep learning
coffee crops
remote sensing
transfer learning
AutoML
Brazilian coffee scenes
dc.subject.proposal.spa.fl_str_mv Aprendizaje profundo
cultivos de café
teledetección
transferencia de aprendizaje
AutoML
Brazilian coffee scenes
description En este trabajo de grado se evalúan dos estrategias de diseño de modelos de clasificación de imágenes basados en aprendizaje profundo, aplicado a “Brazilian coffee scenes”, correspondiente con imágenes satelitales. El objetivo es determinar en qué imágenes satelitales se tiene presencia de cultivo de café, utilizando modelos diseñados por AutoML, o por transferencia de aprendizaje. Al finalizar la investigación, se comparan los resultados de las mejores soluciones, en términos de accuracy, obtenidas por cada estrategia de diseño, y se selecciona el mejor modelo de los evaluados en esta investigación.
publishDate 2021
dc.date.issued.none.fl_str_mv 2021-05-10
dc.date.accessioned.none.fl_str_mv 2023-05-29T19:26:35Z
dc.date.available.none.fl_str_mv 2023-05-29T19:26:35Z
dc.type.local.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/43994
dc.identifier.instname.spa.fl_str_mv instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unimilitar.edu.co
url http://hdl.handle.net/10654/43994
identifier_str_mv instname:Universidad Militar Nueva Granada
reponame:Repositorio Institucional Universidad Militar Nueva Granada
repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv [1 ] M. X. Bastidas, «reconoSERID,» 29 Mayo 2020. [En línea]. Available: https://reconoserid.com/que-es-el-aprendizaje-de-maquina-y-en-que-casosdeberia-usarlo-en-su-negocio/.
[2 ] IBM, «IBM,» 15 07 2020. [En línea]. Available: https://www.ibm.com/cloud/learn/machine-learning.
[3 ] C. D. Silva, «Brazilian Coffee Scenes Dataset,» 12 Noviembre 2017. [En línea]. Available: http://patreo.dcc.ufmg.br/2017/11/12/brazilian-coffee-scenesdataset/.
[4 ] Bancolombia, «Guía completa: Cómo cultivar Café,» 30 Agosto 2018. [En línea]. Available: https://www.grupobancolombia.com/wps/portal/negocios/actualizate/sostenibilid ad/guia-cultivo-cafe-colombia.
[5 ] IBM, «Metodología Fundamental para la ciencia de datos,» Junio 2015. [En línea]. Available: https://www.ibm.com/downloads/cas/6RZMKDN8.
[6 ] Anonimo, «What is Artificial Intelligence? How Does AI Work?,» [En línea]. Available: https://builtin.com/artificial-intelligence.
[7 ] BBVA, «'Machine learning': ¿qué es y cómo funciona?,» 08 Noviembre 2019. [En línea]. Available: https://www.bbva.com/es/machine-learning-que-es-ycomo-funciona/.
[8 ] L. G. S. a. G. C, Computer Vision, 2001.
[9 ] C. G. Moreno, «Indra,» 2019. [En línea]. Available: https://www.indracompany.com/es/blogneo/deep-learningsirve#:~:text=Por%20lo%20tanto%2C%20la%20principal,datos%2C%20no%20 es%20Machine%20Learning.
[1 0] UPBE, «INTELIGENCIA ARTIFICIAL: LA IMPORTANCIA DE LOS DATOS,» 2020. [En línea]. Available: https://www.upbe.ai/blog/inteligencia-artificialdatos/. [Último acceso: 05 09 2022].
[1 1] J. Barrios, «Health big data,» 2022. [En línea]. Available: https://www.juanbarrios.com/redes-neuralesconvolucionales/#:~:text=c%C3%A9lula%20sea%20activada.- ,C%C3%B3mo%20estan%20construidas%20y%20c%C3%B3mo%20funcionan ,un%20mapeo%20causal%20no%2Dlineal.
[1 2] F.-X. Sakib Mostafaa, «Diagnosis of autism spectrum disorder with convolutional autoencoder and structural MRI images,» 2021. [En línea]. Available: https://www.sciencedirect.com/science/article/pii/B978012822822700003X. [Último acceso: 05 09 2022].
[1 3] savyakhosla, «CNN | Introducción a la capa de agrupación,» 24 08 2022. [En línea]. Available: https://www.geeksforgeeks.org/cnn-introduction-to-poolinglayer/. [Último acceso: 05 09 2022].
[1 4] Microsoft, 06 06 2022. [En línea]. Available: https://docs.microsoft.com/eses/azure/machine-learning/how-to-tune-hyperparameters. [Último acceso: 11 09 2022].
[1 5] tradingsys ORG, «tradingsys,» 16 Febrero 2012. [En línea]. Available: https://www.tradingsys.org/metodos-de-optimizacion-algoritmosgeneticos#:~:text=En%20general%20podemos%20definir%20los,pueden%20a proximarse%20por%20los%20m%C3%A9todos.
[1 6] Interactive Chaos, [En línea]. Available: https://interactivechaos.com/es/manual/tutorial-de-deep-learning/tasa-deaprendizaje. [Último acceso: 11 09 2022].
[1 7] J. Deng, «ImageNet,» [En línea]. Available: https://paperswithcode.com/dataset/imagenet. [Último acceso: 10 09 2022].
[1 8] W. Jeremy, V. Dan y W. Sean, Spring Research Presentation: A Theoretical Foundation for Inductive Transfer, 2007.
[1 9] Creative Commons Attribution 4.0 , «Machine Learning Glossary,» 28 Septiembre 2021. [En línea]. Available: https://developers.google.com/machinelearning/glossary?hl=es_419#t. [Último acceso: 21 Abril 2022].
[2 0] G. K. Thommen y B. Roland, Self-organizing maps for storage and transfer of knowledge in reinforcement learning, 2019.
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.accessrights.*.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv Acceso abierto
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
Acceso abierto
eu_rights_str_mv openAccess
dc.format.mimetype.spa.fl_str_mv applicaction/pdf
dc.coverage.sede.spa.fl_str_mv Calle 100
dc.publisher.program.spa.fl_str_mv Ingeniería en Telecomunicaciones
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/43994/1/Alarc%c3%b3nAlarc%c3%b3nGabrielEduardo2022.pdf
http://repository.unimilitar.edu.co/bitstream/10654/43994/2/license.txt
bitstream.checksum.fl_str_mv 8639645063b4ec9beefe2fba98342ed7
a609d7e369577f685ce98c66b903b91b
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1837098511664939008
spelling Renza Torres, DiegoAlarcón Alarcón, Gabriel EduardoIngeniero en TelecomunicacionesBallesteros Larrotta, Dora María2023-05-29T19:26:35Z2023-05-29T19:26:35Z2021-05-10http://hdl.handle.net/10654/43994instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEn este trabajo de grado se evalúan dos estrategias de diseño de modelos de clasificación de imágenes basados en aprendizaje profundo, aplicado a “Brazilian coffee scenes”, correspondiente con imágenes satelitales. El objetivo es determinar en qué imágenes satelitales se tiene presencia de cultivo de café, utilizando modelos diseñados por AutoML, o por transferencia de aprendizaje. Al finalizar la investigación, se comparan los resultados de las mejores soluciones, en términos de accuracy, obtenidas por cada estrategia de diseño, y se selecciona el mejor modelo de los evaluados en esta investigación.Tabla de contenido 1. Contexto (definición de objetivos y tareas) ________________________12 1.1 Introducción______________________________________________12 1.2 Planteamiento del problema_________________________________14 1.2.1 Identificación ____________________________________________14 1.2.2 Descripción _____________________________________________15 1.3 Pregunta de investigación __________________________________15 1.4 Justificación______________________________________________15 1.5 Objetivos ________________________________________________16 1.5.1 Objetivo general __________________________________________16 1.5.2 Objetivos específicos ______________________________________16 1.6 Metodología ______________________________________________17 1.7 Alcance o delimitación de la investigación_____________________20 2. Marco teórico y revisión de estado del arte ________________________21 2.1 Marco teórico _____________________________________________21 2.2 Documentación del estado del arte ___________________________29 2.2.1 Trabajos que utilizan el conjunto de datos Brazilian Coffee Scenes __30 2.2.2 Trabajos relacionados con clasificación de imágenes satelitales. ____34 3. Comprensión y preparación de los datos _________________________38 3.1 Conjunto de datos Brazilian Coffee Scenes ____________________38 3.2 Aplicación de aumento de datos _____________________________40 4. Implementación y evaluación de modelos _________________________44 4.1 Modelado con AutoML (KerasTuner)__________________________44 4.1.1 Modelo base_____________________________________________44 4.1.2 Espacio de búsqueda inicial y aumento de datos. ________________45 4.1.3 Ampliación de espacio de búsqueda __________________________46 4.1.4 Optimización de recursos de computadora y división de modelos ___47 4.1.5 Recopilación y obtención de los mejores modelos _______________48 4.1.6 Evaluación del mejor modelo obtenido con AutoML ______________50 4.2 Modelado con transferencia de aprendizaje ____________________52 4.2.1 Modelo base. ____________________________________________52 4.2.2 Aumento de datos y determinación del espacio de búsqueda. ______53 4.2.3 Reentrenamiendo de los mejores modelos._____________________56 4.2.4 Obtención y evaluación del mejor modelo. _____________________57 5. Análisis de resultados _________________________________________61 6. Conclusiones ________________________________________________64 7. Bibliografía __________________________________________________66This study evaluates two strategies for the design of image classification models based on deep learning, applied to "Brazilian coffee scenes", corresponding to satellite images. The objective is to determine which satellite images correspond to a coffee growing area, using models designed by AutoML or by transfer learning. At the end of the research, the results of the best solutions, in terms of accuracy, obtained by each design strategy are compared, and the best model of those evaluated in this research is selected.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertoReconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquinaRecognition of coffee growing areas from satellite images using machine learningCAFE - CULTIVOPROCESAMIENTO DE IMAGENESDeep learningcoffee cropsremote sensingtransfer learningAutoMLBrazilian coffee scenesAprendizaje profundocultivos de cafételedeteccióntransferencia de aprendizajeAutoMLBrazilian coffee scenesTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en TelecomunicacionesFacultad de IngenieríaUniversidad Militar Nueva Granada[1 ] M. X. Bastidas, «reconoSERID,» 29 Mayo 2020. [En línea]. Available: https://reconoserid.com/que-es-el-aprendizaje-de-maquina-y-en-que-casosdeberia-usarlo-en-su-negocio/.[2 ] IBM, «IBM,» 15 07 2020. [En línea]. Available: https://www.ibm.com/cloud/learn/machine-learning.[3 ] C. D. Silva, «Brazilian Coffee Scenes Dataset,» 12 Noviembre 2017. [En línea]. Available: http://patreo.dcc.ufmg.br/2017/11/12/brazilian-coffee-scenesdataset/.[4 ] Bancolombia, «Guía completa: Cómo cultivar Café,» 30 Agosto 2018. [En línea]. Available: https://www.grupobancolombia.com/wps/portal/negocios/actualizate/sostenibilid ad/guia-cultivo-cafe-colombia.[5 ] IBM, «Metodología Fundamental para la ciencia de datos,» Junio 2015. [En línea]. Available: https://www.ibm.com/downloads/cas/6RZMKDN8.[6 ] Anonimo, «What is Artificial Intelligence? How Does AI Work?,» [En línea]. Available: https://builtin.com/artificial-intelligence.[7 ] BBVA, «'Machine learning': ¿qué es y cómo funciona?,» 08 Noviembre 2019. [En línea]. Available: https://www.bbva.com/es/machine-learning-que-es-ycomo-funciona/.[8 ] L. G. S. a. G. C, Computer Vision, 2001.[9 ] C. G. Moreno, «Indra,» 2019. [En línea]. Available: https://www.indracompany.com/es/blogneo/deep-learningsirve#:~:text=Por%20lo%20tanto%2C%20la%20principal,datos%2C%20no%20 es%20Machine%20Learning.[1 0] UPBE, «INTELIGENCIA ARTIFICIAL: LA IMPORTANCIA DE LOS DATOS,» 2020. [En línea]. Available: https://www.upbe.ai/blog/inteligencia-artificialdatos/. [Último acceso: 05 09 2022].[1 1] J. Barrios, «Health big data,» 2022. [En línea]. Available: https://www.juanbarrios.com/redes-neuralesconvolucionales/#:~:text=c%C3%A9lula%20sea%20activada.- ,C%C3%B3mo%20estan%20construidas%20y%20c%C3%B3mo%20funcionan ,un%20mapeo%20causal%20no%2Dlineal.[1 2] F.-X. Sakib Mostafaa, «Diagnosis of autism spectrum disorder with convolutional autoencoder and structural MRI images,» 2021. [En línea]. Available: https://www.sciencedirect.com/science/article/pii/B978012822822700003X. [Último acceso: 05 09 2022].[1 3] savyakhosla, «CNN | Introducción a la capa de agrupación,» 24 08 2022. [En línea]. Available: https://www.geeksforgeeks.org/cnn-introduction-to-poolinglayer/. [Último acceso: 05 09 2022].[1 4] Microsoft, 06 06 2022. [En línea]. Available: https://docs.microsoft.com/eses/azure/machine-learning/how-to-tune-hyperparameters. [Último acceso: 11 09 2022].[1 5] tradingsys ORG, «tradingsys,» 16 Febrero 2012. [En línea]. Available: https://www.tradingsys.org/metodos-de-optimizacion-algoritmosgeneticos#:~:text=En%20general%20podemos%20definir%20los,pueden%20a proximarse%20por%20los%20m%C3%A9todos.[1 6] Interactive Chaos, [En línea]. Available: https://interactivechaos.com/es/manual/tutorial-de-deep-learning/tasa-deaprendizaje. [Último acceso: 11 09 2022].[1 7] J. Deng, «ImageNet,» [En línea]. Available: https://paperswithcode.com/dataset/imagenet. [Último acceso: 10 09 2022].[1 8] W. Jeremy, V. Dan y W. Sean, Spring Research Presentation: A Theoretical Foundation for Inductive Transfer, 2007.[1 9] Creative Commons Attribution 4.0 , «Machine Learning Glossary,» 28 Septiembre 2021. [En línea]. Available: https://developers.google.com/machinelearning/glossary?hl=es_419#t. [Último acceso: 21 Abril 2022].[2 0] G. K. Thommen y B. Roland, Self-organizing maps for storage and transfer of knowledge in reinforcement learning, 2019.Calle 100ORIGINALAlarcónAlarcónGabrielEduardo2022.pdfAlarcónAlarcónGabrielEduardo2022.pdfTrabajo de gradoapplication/pdf1688145http://repository.unimilitar.edu.co/bitstream/10654/43994/1/Alarc%c3%b3nAlarc%c3%b3nGabrielEduardo2022.pdf8639645063b4ec9beefe2fba98342ed7MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/43994/2/license.txta609d7e369577f685ce98c66b903b91bMD52open access10654/43994oai:repository.unimilitar.edu.co:10654/439942023-05-29 14:26:39.527open accessRepositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares