Clasificación automática para animales en peligro de extinción de Colombia usando redes neuronales convolucionales
Publicado
:Número
:Sección
:Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Cómo citar
Dimensions Metrics
animales, extinción, redes neuronales artificiales
La extinción de distintos tipos de animales es un problema que ha ido creciendo a lo largo de los años y que, en consecuencia, ha provocado problemas medioambientales, como el cambio climático. La diversidad genética (biodiversidad) es esencial para el desarrollo de todas las especies y los seres humanos dependen de ella en su vida cotidiana. Cuando la biodiversidad disminuye, la esperanza de vida del ser humano se reduce, no sólo desde el punto de vista ecológico, sino también desde el punto de vista de los recursos, incluso para poder tener especies adaptadas a un nicho ecológico. En esta investigación se expondrá una estrategia informática que a lo largo del tiempo ha logrado grandes resultados; las redes neuronales convolucionales es un proceso que ha facilitado el monitoreo de diferentes tipos de animales en los últimos años, esto, con el fin de facilitar el proceso de reconocimiento y conteo de animales, enfocado a la agricultura y la zoología. Para ello, se utilizará una arquitectura en el campo de las redes neuronales convolucionales (CNN), Alexnet, que tiene referencias con resultados muy elevados. Además, se utiliza el software de programación matemática Matlab para el desarrollo de la red neuronal. Obteniendo de esta forma un resultado de precisión de validación del 97,52%, con la utilización de un conjunto de datos con 3026 imágenes, en donde, el 80% se utilizan para el entrenamiento y el 20% para la validación.
“Que son las redes neuronales y sus funciones,” 22 Oct 2019 . [En línea]. Disponible en: https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus funciones/#:~:text=Las%20redes%20neuronales%20artificiales%20son,entrada%20hasta%20generar%20una%20salia
S. Silva and E. Freire “Intro a las redes neuronales convolucionales”, 23 Nov 2019. [En línea]. Disponible en: https://bootcampai.medium.com/redes-neuronales-convolucionales-5e0ce960caf8
G. Li, L. Bai, C. Zhu, E. Wu and R. Ma, "A Novel Method of Synthetic CT Generation from MR Images Based on Convolutional Neural Networks", 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp. 1-5, 2018. doi: 10.1109/CISP-BMEI.2018.8633142 DOI: https://doi.org/10.1109/CISP-BMEI.2018.8633142
K. Singh, A. Seth, H. S. Sandhu and K. Samdani, "A Comprehensive Review of Convolutional Neural Network based Image Enhancement Techniques", IEEE International Conference on System, Computation, Automation and Networking (ICSCAN), pp. 1-6, 2019. doi: 10.1109/ICSCAN.2019.8878706 DOI: https://doi.org/10.1109/ICSCAN.2019.8878706
B. Chen, J. Li, B. Ma and G. Wei, "Convolutional sparse coding classification model for image classification", IEEE International Conference on Image Processing (ICIP), pp. 1918-1922, 2016. doi: 10.1109/ICIP.2016.7532692 DOI: https://doi.org/10.1109/ICIP.2016.7532692
Z. Gong, C. Sun, W. Guo, W. Tan, W. Zhou and G. Zhang, "Automated Thalamus Segmentation in MR Images Using Convolutional Networks", IEEE 3rd International Conference of Safe Production and Informatization (IICSPI), pp. 158-161, 2020. doi: 10.1109/IICSPI51290.2020.9332452 DOI: https://doi.org/10.1109/IICSPI51290.2020.9332452
C. Jia, X. Zhang, J. Zhang, S. Wang and S. Ma, "Deep convolutional network based image quality enhancement for low bit rato image compression", Visual Communications and Image Processing (VCIP), pp. 1-4, 2016. doi: 10.1109/VCIP.2016.7805504 DOI: https://doi.org/10.1109/VCIP.2016.7805504
N. Manjón “16 animales en peligro de extinción en Colombia”, 10 Agosto 2020. [En línea]. Disponible en: https://www.ecologiaverde.com/16-animales-en-peligro-de-extincion-en-colombia-1909.html
A. Noor, Y. Q. Zhao, A. Koubaa, L. W. Wu, R. Khan and F. Y. O. Abdalla, “Automated sheep facial expression classification using deep transfer learning”, COMPUTERS AND ELECTRONICS IN AGRICULTURE. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do product=WOS&search_cheurlFromRightClick=no
F. de Lima, de Moraes V. Aparecida, Menezes, G. Vilharva, “Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks”, COMPUTERS AND ELECTRONICS IN AGRICULTURE. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.oc=4&cacheurlFromRightClick=no
M. Mathieu, M. Jiangqiang, S. Xiaocai, “An adaptive pig face recognition approach using Convolutional Neural Networks” COMPUTERS AND ELECTRONICS IN AGRICULTURE [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=11&cacheurlFromRightClick=no
C. Daegyu, C. Eunjeong, K. Dong Keun, “The Real-Time Mobile Application for Classifying of Endangered Parrot Species Using the CNN Models Based on Transfer Learning” MOBILE INFORMATION SYSTEMS. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_c=24&cacheurlFromRightClick=no
Y. Dmitry; S. Anton; K. Andrey, “Detection of Big Animals on Images with Road Scenes using Deep Learning” Conferencia: International Conference on Artificial Intelligence - Applications and Innovations (IC-AIAI). [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=76&cacheurlFromRightClick=no
B. Arnginn, P. Thongkanchorn, K. Kanchanapreechakorn, “Breakthrough Conventional Based Approach for Dog Breed Classification Using CNN with Transfer Learning”, Conferencia: 11th International Conference on Information Technology and Electrical Engineering (ICITEE). [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do product=WOS&search_oc=79&cacheurlFromRightClick=no
X. Liu, Z. Jia, X. Hou, M. Fu, L. Ma, Q. Sun, “Real-time Marine Animal Images Classification by Embedded System Based on Mobilenet and Transfer Learning”, OCEANS. 2019. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/8867190/ DOI: https://doi.org/10.1109/OCEANSE.2019.8867190
N. K. El Abbadi, E. Mohammed Thabit A. Alsaadi, “An Automated Vertebrate Animals Classification Using Deep Convolution Neural Networks”, International Conference on Computer Science and Software Engineering (CSASE), 2020. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9142070/ DOI: https://doi.org/10.1109/CSASE48920.2020.9142070
S. Jamil, Fawad, M. S. Abbas, F. Habib, M. Umair, M. J. Khan, “Deep Learning and Computer Vision-based a Novel Framework for Himalayan Bear, Marco Polo Sheep and Snow Leopard Detection”, International Conference on Information Science and Communication Technology (ICISCT). 2020. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9080021/ DOI: https://doi.org/10.1109/ICISCT49550.2020.9080021
X. Huang, X. Li, Z. Hu, “Cow tail detection method for body condition score using Faster R-CNN”, IEEE International Conference on Unmanned Systems and Artificial Intelligence (ICUSAI), 2019. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9124743/ DOI: https://doi.org/10.1109/ICUSAI47366.2019.9124743
J. Wei, “AlexNet: The Architecture that Challenged CNNs”, 2019. [Online]. Available: https://towardsdatascience.com/alexnet-the-architecture-that-challenged-cnns-e406d5297951
D. Jain y A. Dong, “Funcionamiento de una red neuronal convolucional (CNN) y la arquitectura AlexNet”, 2020. [En línea]. Disponible en: https://ichi.pro/es/funcionamiento-de-una-red-neuronal-convolucional-cnn-y-la-arquitectura-alexnet-233779119045871
A. Krizhevsky, I. Sutskever and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012. [Online]. Available: https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html
La extinción de distintos tipos de animales es un problema que ha ido creciendo a lo largo de los años y que, en consecuencia, ha provocado problemas medioambientales, como el cambio climático. La diversidad genética (biodiversidad) es esencial para el desarrollo de todas las especies y los seres humanos dependen de ella en su vida cotidiana. Cuando la biodiversidad disminuye, la esperanza de vida del ser humano se reduce, no sólo desde el punto de vista ecológico, sino también desde el punto de vista de los recursos, incluso para poder tener especies adaptadas a un nicho ecológico. En esta investigación se expondrá una estrategia informática que a lo largo del tiempo ha logrado grandes resultados; las redes neuronales convolucionales es un proceso que ha facilitado el monitoreo de diferentes tipos de animales en los últimos años, esto, con el fin de facilitar el proceso de reconocimiento y conteo de animales, enfocado a la agricultura y la zoología. Para ello, se utilizará una arquitectura en el campo de las redes neuronales convolucionales (CNN), Alexnet, que tiene referencias con resultados muy elevados. Además, se utiliza el software de programación matemática Matlab para el desarrollo de la red neuronal. Obteniendo de esta forma un resultado de precisión de validación del 97,52%, con la utilización de un conjunto de datos con 3026 imágenes, en donde, el 80% se utilizan para el entrenamiento y el 20% para la validación.
“Que son las redes neuronales y sus funciones,” 22 Oct 2019 . [En línea]. Disponible en: https://www.atriainnovation.com/que-son-las-redes-neuronales-y-sus funciones/#:~:text=Las%20redes%20neuronales%20artificiales%20son,entrada%20hasta%20generar%20una%20salia
S. Silva and E. Freire “Intro a las redes neuronales convolucionales”, 23 Nov 2019. [En línea]. Disponible en: https://bootcampai.medium.com/redes-neuronales-convolucionales-5e0ce960caf8
G. Li, L. Bai, C. Zhu, E. Wu and R. Ma, "A Novel Method of Synthetic CT Generation from MR Images Based on Convolutional Neural Networks", 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp. 1-5, 2018. doi: 10.1109/CISP-BMEI.2018.8633142 DOI: https://doi.org/10.1109/CISP-BMEI.2018.8633142
K. Singh, A. Seth, H. S. Sandhu and K. Samdani, "A Comprehensive Review of Convolutional Neural Network based Image Enhancement Techniques", IEEE International Conference on System, Computation, Automation and Networking (ICSCAN), pp. 1-6, 2019. doi: 10.1109/ICSCAN.2019.8878706 DOI: https://doi.org/10.1109/ICSCAN.2019.8878706
B. Chen, J. Li, B. Ma and G. Wei, "Convolutional sparse coding classification model for image classification", IEEE International Conference on Image Processing (ICIP), pp. 1918-1922, 2016. doi: 10.1109/ICIP.2016.7532692 DOI: https://doi.org/10.1109/ICIP.2016.7532692
Z. Gong, C. Sun, W. Guo, W. Tan, W. Zhou and G. Zhang, "Automated Thalamus Segmentation in MR Images Using Convolutional Networks", IEEE 3rd International Conference of Safe Production and Informatization (IICSPI), pp. 158-161, 2020. doi: 10.1109/IICSPI51290.2020.9332452 DOI: https://doi.org/10.1109/IICSPI51290.2020.9332452
C. Jia, X. Zhang, J. Zhang, S. Wang and S. Ma, "Deep convolutional network based image quality enhancement for low bit rato image compression", Visual Communications and Image Processing (VCIP), pp. 1-4, 2016. doi: 10.1109/VCIP.2016.7805504 DOI: https://doi.org/10.1109/VCIP.2016.7805504
N. Manjón “16 animales en peligro de extinción en Colombia”, 10 Agosto 2020. [En línea]. Disponible en: https://www.ecologiaverde.com/16-animales-en-peligro-de-extincion-en-colombia-1909.html
A. Noor, Y. Q. Zhao, A. Koubaa, L. W. Wu, R. Khan and F. Y. O. Abdalla, “Automated sheep facial expression classification using deep transfer learning”, COMPUTERS AND ELECTRONICS IN AGRICULTURE. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do product=WOS&search_cheurlFromRightClick=no
F. de Lima, de Moraes V. Aparecida, Menezes, G. Vilharva, “Recognition of Pantaneira cattle breed using computer vision and convolutional neural networks”, COMPUTERS AND ELECTRONICS IN AGRICULTURE. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.oc=4&cacheurlFromRightClick=no
M. Mathieu, M. Jiangqiang, S. Xiaocai, “An adaptive pig face recognition approach using Convolutional Neural Networks” COMPUTERS AND ELECTRONICS IN AGRICULTURE [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=11&cacheurlFromRightClick=no
C. Daegyu, C. Eunjeong, K. Dong Keun, “The Real-Time Mobile Application for Classifying of Endangered Parrot Species Using the CNN Models Based on Transfer Learning” MOBILE INFORMATION SYSTEMS. [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_c=24&cacheurlFromRightClick=no
Y. Dmitry; S. Anton; K. Andrey, “Detection of Big Animals on Images with Road Scenes using Deep Learning” Conferencia: International Conference on Artificial Intelligence - Applications and Innovations (IC-AIAI). [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do?product=WOS&search_oc=76&cacheurlFromRightClick=no
B. Arnginn, P. Thongkanchorn, K. Kanchanapreechakorn, “Breakthrough Conventional Based Approach for Dog Breed Classification Using CNN with Transfer Learning”, Conferencia: 11th International Conference on Information Technology and Electrical Engineering (ICITEE). [Online]. Available: http://apps.webofknowledge.com.bdbiblioteca.ufps.edu.co:2048/full_record.do product=WOS&search_oc=79&cacheurlFromRightClick=no
X. Liu, Z. Jia, X. Hou, M. Fu, L. Ma, Q. Sun, “Real-time Marine Animal Images Classification by Embedded System Based on Mobilenet and Transfer Learning”, OCEANS. 2019. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/8867190/ DOI: https://doi.org/10.1109/OCEANSE.2019.8867190
N. K. El Abbadi, E. Mohammed Thabit A. Alsaadi, “An Automated Vertebrate Animals Classification Using Deep Convolution Neural Networks”, International Conference on Computer Science and Software Engineering (CSASE), 2020. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9142070/ DOI: https://doi.org/10.1109/CSASE48920.2020.9142070
S. Jamil, Fawad, M. S. Abbas, F. Habib, M. Umair, M. J. Khan, “Deep Learning and Computer Vision-based a Novel Framework for Himalayan Bear, Marco Polo Sheep and Snow Leopard Detection”, International Conference on Information Science and Communication Technology (ICISCT). 2020. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9080021/ DOI: https://doi.org/10.1109/ICISCT49550.2020.9080021
X. Huang, X. Li, Z. Hu, “Cow tail detection method for body condition score using Faster R-CNN”, IEEE International Conference on Unmanned Systems and Artificial Intelligence (ICUSAI), 2019. [Online]. Available: https://ieeexplore-ieee-org.bdbiblioteca.ufps.edu.co/document/9124743/ DOI: https://doi.org/10.1109/ICUSAI47366.2019.9124743
J. Wei, “AlexNet: The Architecture that Challenged CNNs”, 2019. [Online]. Available: https://towardsdatascience.com/alexnet-the-architecture-that-challenged-cnns-e406d5297951
D. Jain y A. Dong, “Funcionamiento de una red neuronal convolucional (CNN) y la arquitectura AlexNet”, 2020. [En línea]. Disponible en: https://ichi.pro/es/funcionamiento-de-una-red-neuronal-convolucional-cnn-y-la-arquitectura-alexnet-233779119045871
A. Krizhevsky, I. Sutskever and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks”, 2012. [Online]. Available: https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html