Clasificaci?n autom?tica de Heliconias a partir de im?genes RGB

Maestr?a en Ingenier?a de Control

dc.contributorForero Vargas, Manuel Guillermo
dc.contributorBeltran Reyes, Carlos Eduardo
dc.creatorGonz?lez Santos, Christian Sa?l
dc.date2021-02-25T23:35:25Z
dc.date2021-02-25T23:35:25Z
dc.date2020
dc.date.accessioned2023-08-31T19:22:34Z
dc.date.available2023-08-31T19:22:34Z
dc.identifierGonz?lez Santos, C.S. (2020). Clasificaci?n autom?tica de Heliconias a partir de im?genes RGB. [Tesis Maestr?a, Universidad de Ibagu?]. https://hdl.handle.net/20.500.12313/2342
dc.identifierhttps://hdl.handle.net/20.500.12313/2342
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8557581
dc.descriptionColombia es el pa?s con el mayor n?mero de especies vegetales en el mundo. Dentro de ellas, las heliconias desempe?an un importante papel ecol?gico dentro de los ecosistemas, pues son componentes frecuentes del interior y l?mites de los bosques, as? como de ambientes abiertos como potreros, bordes de carretera y orillas de r?os. En algunos ecosistemas act?an como pioneras en el proceso de regeneraci?n natural de la vegetaci?n y restauraci?n del suelo degradado. Adem?s, mantienen importantes relaciones coevolutivas con otras especies animales y vegetales, constituy?ndose en un elemento importante dentro del complejo armaz?n de la vida en el tr?pico. La clasificaci?n de especies de plantas es crucial para la protecci?n y conservaci?n de la biodiversidad. La clasificaci?n manual requiere mucho tiempo, es costosa y se necesitan expertos que a menudo tienen disponibilidad limitada. Para hacer frente a estos problemas, en este trabajo se utilizaron tres m?todos de clasificaci?n de im?genes SVM (M?quina de Vector de Soporte), ANN (Redes neuronales), KNN (Vecinos m?s pr?ximos) con distancia euclidiana y de intersecci?n, las cuales entregaron buenos resultados en la clasificaci?n de cuatro especies de heliconias encontradas en la Universidad de Ibagu?. Los datos empleados para el entrenamiento, prueba y validaci?n de los m?todos fueron im?genes RGB tomadas en el h?bitat natural de las heliconias, con el fin de tener informaci?n desde su germinaci?n hasta su momento ?ptimo de corte. Las im?genes fueron preprocesadas, haciendo un ajuste de balance de blancos, contraste y temperatura del color. Para separar las heliconias del fondo se utiliz? una t?cnica de segmentaci?n por grafos mediante SPG. Los descriptores se obtuvieron empleando la t?cnica conocida como BoW (Bag of Words), encontrando que el n?mero de palabras visuales m?s adecuadas para la clasificaci?n estaba entre 20 a 40. El m?todo con el que se obtuvieron los mejores resultados fue el KNN; empleando los tres vecinos m?s cercanos, con una precisi?n del 97%.
dc.descriptionColombia is the country with the largest number of plant species in the world. Within it, the heliconias play an important ecological role within the ecosystems, since they are frequent components of the interior and limits of the forests, as well as of open environments such as pastures, roadsides and riverbanks. In some ecosystems they act as pioneers in the process of natural regeneration of vegetation and restoration of degraded soil. In addition, they maintain important co-evolutionary relationships with other animal and plant species, becoming an important element within the complex framework of life in the tropics. The classification of plant species is crucial for the protection and conservation of biodiversity. Manual classification is time-consuming, costly and requires experts who are often limited in their availability. To address these problems, three methods of classification of SVM (Support Vector Machine), ANN (Neural Networks), KNN (Nearest Neighbors) images with Euclidean distance and intersection were used in this work, which gave good results in the classification of four species of heliconias found at the University of Ibagu?. The data used for training, testing and validation of the methods were RGB images taken in the natural habitat of the heliconias, in order to have information from their germination to their optimal cutting time. The images were pre-processed, making an adjustment of white balance, contrast and color temperature. To separate the heliconias from the background, a graphical segmentation technique using GPS was used. The descriptors were obtained using the technique known as BoW (Bag of Words), finding that the number of visual words most suitable for classification was between 20 and 30. The method with which the best results were obtained was the KNN; using the three closest neighbors, with an accuracy of 97%
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagees
dc.publisherUniversidad de Ibagu?.
dc.publisherFacultad de Ingenier?a.
dc.rightsCreative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License
dc.rightsManifiesto que el documento objeto de esta autorizaci?n es de mi exclusiva autor?a, tengo la titularidad plena sobre ?l y el mismo fue elaborado sin quebrantar ni suplantar los derechos de autor de terceros. En caso de queja o acci?n por parte de un tercero referente a los derechos de autor sobre el mismo, asumir? la responsabilidad total, y saldr? en defensa de los derechos aqu? autorizados a la Universidad de Ibagu?; por tanto, para todos los efectos, la Universidad de Ibagu? act?a como un tercero de buena fe. Esta autorizaci?n no implica renunciar al derecho que tengo de publicar total o parcialmente el documento. Toda persona que consulte el documento, ya sea en la biblioteca o el medio electr?nico en donde sea reproducido, podr? copiar apartes del texto, siempre y cuando cite la fuente, es decir el t?tulo del documento y a m? como su autor.
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectHeliconias
dc.subjectAprendizaje de m?quinas
dc.subjectIntersecci?n m?xima
dc.subjectIntersecci?n promedio
dc.subjectIm?genes
dc.subjectBiodiversidad
dc.subjectEcosistemas
dc.subjectNaturaleza
dc.subjectEspecies ornamentales
dc.subjectFloricultura
dc.subjectT?cnica BoW
dc.subjectSVN, KNN, ANN
dc.subjectMachine learning
dc.subjectK-means
dc.subjectPython
dc.subjectMaximum intersection
dc.subjectAverage intersection
dc.subjectImages
dc.subjectBiodiversity
dc.subjectEcosystems
dc.subjectNature
dc.subjectOrnamental species
dc.subjectFloriculture
dc.subjectBoW Technique
dc.titleClasificaci?n autom?tica de Heliconias a partir de im?genes RGB
dc.titleMaestr?a en Ingenier?a de Control
dc.typemasterThesis
dc.typeTesis de Maestr?a


Este ítem pertenece a la siguiente institución