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

Recognition of coffee growing areas from satellite images using machine learning

dc.contributorRenza Torres, Diego
dc.contributorBallesteros Larrotta, Dora María
dc.creatorAlarcón Alarcón, Gabriel Eduardo
dc.date2023-05-29T19:26:35Z
dc.date2023-05-29T19:26:35Z
dc.date2021-05-10
dc.date.accessioned2023-09-06T18:04:00Z
dc.date.available2023-09-06T18:04:00Z
dc.identifierhttp://hdl.handle.net/10654/43994
dc.identifierinstname:Universidad Militar Nueva Granada
dc.identifierreponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifierrepourl:https://repository.unimilitar.edu.co
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8694043
dc.descriptionEn 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.
dc.descriptionTabla 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 __________________________________________________66
dc.descriptionThis 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.
dc.descriptionPregrado
dc.formatapplicaction/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherIngeniería en Telecomunicaciones
dc.publisherFacultad de Ingeniería
dc.publisherUniversidad Militar Nueva Granada
dc.relation[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/.
dc.relation[2 ] IBM, «IBM,» 15 07 2020. [En línea]. Available: https://www.ibm.com/cloud/learn/machine-learning.
dc.relation[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/.
dc.relation[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.
dc.relation[5 ] IBM, «Metodología Fundamental para la ciencia de datos,» Junio 2015. [En línea]. Available: https://www.ibm.com/downloads/cas/6RZMKDN8.
dc.relation[6 ] Anonimo, «What is Artificial Intelligence? How Does AI Work?,» [En línea]. Available: https://builtin.com/artificial-intelligence.
dc.relation[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/.
dc.relation[8 ] L. G. S. a. G. C, Computer Vision, 2001.
dc.relation[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.
dc.relation[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].
dc.relation[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.
dc.relation[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].
dc.relation[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].
dc.relation[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].
dc.relation[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.
dc.relation[1 6] Interactive Chaos, [En línea]. Available: https://interactivechaos.com/es/manual/tutorial-de-deep-learning/tasa-deaprendizaje. [Último acceso: 11 09 2022].
dc.relation[1 7] J. Deng, «ImageNet,» [En línea]. Available: https://paperswithcode.com/dataset/imagenet. [Último acceso: 10 09 2022].
dc.relation[1 8] W. Jeremy, V. Dan y W. Sean, Spring Research Presentation: A Theoretical Foundation for Inductive Transfer, 2007.
dc.relation[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].
dc.relation[2 0] G. K. Thommen y B. Roland, Self-organizing maps for storage and transfer of knowledge in reinforcement learning, 2019.
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightshttp://purl.org/coar/access_right/c_abf2
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.rightsAcceso abierto
dc.subjectCAFE - CULTIVO
dc.subjectPROCESAMIENTO DE IMAGENES
dc.subjectDeep learning
dc.subjectcoffee crops
dc.subjectremote sensing
dc.subjecttransfer learning
dc.subjectAutoML
dc.subjectBrazilian coffee scenes
dc.subjectAprendizaje profundo
dc.subjectcultivos de café
dc.subjectteledetección
dc.subjecttransferencia de aprendizaje
dc.subjectAutoML
dc.subjectBrazilian coffee scenes
dc.titleReconocimiento de zonas de cultivo de café a partir de imágenes satelitales utilizando aprendizaje de máquina
dc.titleRecognition of coffee growing areas from satellite images using machine learning
dc.typeTesis/Trabajo de grado - Monografía - Pregrado
dc.typeinfo:eu-repo/semantics/bachelorThesis
dc.typehttp://purl.org/coar/resource_type/c_7a1f
dc.typeinfo:eu-repo/semantics/acceptedVersion
dc.coverageCalle 100


Este ítem pertenece a la siguiente institución