Informe académico que desarrolla y evalúa un sistema automatizado de análisis ecológico basado en técnicas de procesamiento digital de imágenes, redes neuronales convolucionales, detección de objetos y segmentación por instancias. El proyecto busca identificar y diferenciar tres tipos de cobertura —Pasto, Tierra y CuerposAgua— en imágenes de ecosistemas urbanos y naturales, con el propósito de facilitar el análisis de la cobertura ambiental y apoyar procesos de monitoreo ecológico.
El estudio comprende diferentes etapas de procesamiento y análisis. Inicialmente, se realiza la preparación y normalización de un dataset personalizado, seguida de técnicas clásicas de procesamiento digital de imágenes como histogramas RGB, conversión al espacio LAB, filtros Sobel, Laplaciano y Gaussiano, ecualización de histogramas y generación de máscaras. Posteriormente, se desarrolla una red neuronal convolucional desde cero para la clasificación de imágenes, incorporando técnicas de regularización y data augmentation para reducir el sobreajuste y mejorar la generalización del modelo.
El proyecto también implementa modelos YOLOv11 para detección de objetos y segmentación de instancias. Para estas etapas se utiliza un dataset personalizado de 300 imágenes de ecosistemas naturales, etiquetadas con bounding boxes y polígonos para las clases de interés. Los modelos son entrenados y evaluados mediante métricas como precisión, recall, mAP50 y mAP50-95, además de matrices de confusión y visualizaciones de las predicciones.
Finalmente, el informe aborda la extracción de áreas correspondientes a cada clase segmentada y el cálculo de métricas de cobertura ecológica, así como el despliegue del modelo mediante Python, OpenCV y Visual Studio Code para procesar imágenes, videos y cámara en tiempo real. Los resultados también permiten identificar limitaciones del sistema, especialmente relacionadas con la confusión entre clases, el background y la correspondencia entre las máscaras y las clases predichas.
¿Qué encontrarás en este informe?
- Fundamentos de procesamiento digital de imágenes y visión por computador.
- Preparación, normalización y división del dataset.
- Análisis de imágenes mediante histogramas RGB y espacio de color LAB.
- Aplicación de filtros Sobel, Laplaciano y Gaussiano.
- Generación y aplicación de máscaras para el análisis de regiones.
- Desarrollo de una red neuronal convolucional (CNN) desde cero.
- Técnicas de regularización y data augmentation.
- Evaluación de modelos mediante precisión, recall, F1-score y matrices de confusión.
- Implementación de detección de objetos con YOLOv11.
- Segmentación de instancias mediante YOLOv11.
- Análisis de métricas mAP50 y mAP50-95.
- Identificación de vegetación, suelo y cuerpos de agua.
- Extracción de áreas por clase a partir de las máscaras segmentadas.
- Cálculo de métricas de cobertura ecológica basadas en las áreas identificadas.
- Despliegue del modelo con Python, OpenCV y Visual Studio Code.
- Procesamiento de imágenes, video y cámara en tiempo real.
- Análisis de resultados, limitaciones y recomendaciones para mejorar el sistema.
Además de su valor como trabajo académico, este informe puede servir como material de consulta y referencia para estudiantes y docentes interesados en procesamiento digital de imágenes, visión por computador, aprendizaje profundo, segmentación de imágenes y aplicaciones tecnológicas orientadas al análisis ambiental.
Valoraciones
No hay valoraciones aún.