Aplicaciones de aprendizaje automático: clasificación de imágenes de parásitos de reptiles mediante técnicas de visión por computador y aprendizaje automático.

Yanascual García, Guillermo Alexander.

Por favor, use este identificador para citar o enlazar este ítem: http://bibdigital.epn.edu.ec/handle/15000/24305

Registro completo de metadatos

Campo DC	Valor	Lengua/Idioma
dc.contributor.author	Yanascual García, Guillermo Alexander.	-
dc.date.accessioned	2023-07-17T16:40:58Z	-
dc.date.available	2023-07-17T16:40:58Z	-
dc.date.issued	2023-04	-
dc.identifier.citation	Yanascual García, G.A. (2023). Aplicaciones de aprendizaje automático: clasificación de imágenes de parásitos de reptiles mediante técnicas de visión por computador y aprendizaje automático. 61 páginas. Quito : EPN.	es_ES
dc.identifier.other	T-IE 5740 / CD 13224	-
dc.identifier.uri	http://bibdigital.epn.edu.ec/handle/15000/24305	-
dc.description	Ecuador, un país rico en flora y fauna, está comprometido con la protección de la vida en la región y la promoción del desarrollo biológico sostenible. El grupo de los reptiles, con una gran variedad de especies, son contempladas y analizadas en ambientes de cautiverio. De las diversas tareas en centros de laboratorio que se enfocan en la vida silvestre, como los reptiles, los expertos en el campo identifican los parásitos a partir de la recolección de muestras en base a la experiencia. De esta manera no se aplica ninguna automatización que agilice este proceso mecanizado. En respuesta a este problema, el presente trabajo propone un método de visión computacional para la clasificación de agentes parasitarios presentes en las muestras de seis reptiles en cautiverio para el personal de laboratorio, siendo de gran utilidad en el proceso de clasificación de parásitos en muestras, permitiéndoles estimar efectivamente las poblaciones de parásitos. En el primer capítulo se presentaron los conceptos fundamentales respecto a las técnicas de visión computacional tradicional para el procesamiento, extracción de características y la clasificación de imágenes. En el segundo capítulo se abarca la metodología para clasificar los parásitos de muestras de heces de reptiles en cautiverio en el software Matlab mediante el extractor de Bolsa de palabras visuales (Bag of Visual Words, BoVW) y la técnica de clasificación de Máquinas de Vectores de Soporte (Support Vector Machine, SVM). En el tercer capítulo se presentaron los resultados obtenidos para el clasificador propuesto y las conclusiones a los que estos llevaron. Se alcanzó un Área Bajo la Curva ROC (Area Under the ROC Curve, AUC) de 96 % y una exactitud de 84.4 %, lo que demuestra la factibilidad de usar visión computacional para este trabajo.	es_ES
dc.description.sponsorship	Ecuador, a country rich in flora and fauna, is committed to protecting life in the region and promoting sustainable biological development. The group of reptiles, with a great variety of species, are contemplated and analyzed in captive environments. Of the various tasks in laboratory centers that focus on wildlife, such as reptiles, experts in the field identify parasites from sample collection based on experience. In this way, no automation is applied to speed up this machining process. In response to this problem, the present work proposes a computational vision method for the classification of parasitic agents present in the samples of six reptiles in captivity for laboratory personnel, being very useful in the process of classification of parasites in samples, allowing them to effectively estimate parasite populations. The first chapter presented the fundamental concepts regarding traditional computer vision techniques for processing, feature extraction and image classification. The second chapter explains the methodology to classify parasites from feces samples of reptiles in captivity in Matlab software using Bag of Visual Words (BoVW) and the classification technique of Support Vector Machines (SVM). In the third chapter presented the results obtained for the proposed classifier and the conclusions to which they led. An Area Under the ROC Curve (AUC) of 96 % and an accuracy of 84.4 % were achieved, demonstrating the feasibility of using computer vision for this work.	es_ES
dc.publisher	Quito : EPN, 2023.	es_ES
dc.rights	openAccess	es_ES
dc.subject	RED DE TELECOMUNICACIONES	es_ES
dc.subject	AUTOMATIZACIÓN	es_ES
dc.subject	MODELO DE CLASIFICACIÓN	es_ES
dc.subject	BOLSA DE PALABRAS VISUALES-BOVW	es_ES
dc.subject	PREDICCIÓN	es_ES
dc.subject	AGENTES PARASITARIOS	es_ES
dc.subject	PREPROCESAMIENTO	es_ES
dc.title	Aplicaciones de aprendizaje automático: clasificación de imágenes de parásitos de reptiles mediante técnicas de visión por computador y aprendizaje automático.	es_ES
Aparece en las colecciones:	TIC - Ingeniería en Telecomunicaciones (FIEE)

Ficheros en este ítem:

Fichero	Descripción	Tamaño	Formato
CD 13224.pdf		16,11 MB	Adobe PDF	Visualizar/Abrir

Muestra el registro sencillo del ítem

BIBDIGITAL