Segmentación de conchas de abanico para el muestreo no extractivo de recursos hidrobiológicos basado en Deep Learning y Computer Vision

dc.contributor.advisorHuanca Cayo, Eber
dc.contributor.authorBernedo Flores, Liz Sandra
dc.date.accessioned2024-04-02T17:43:19Z
dc.date.available2024-04-02T17:43:19Z
dc.date.issued2024
dc.description.abstractEl Perú está ubicado en el 2° lugar como productor de conchas de abanico a nivel mundial según el Centro de Investigación de Economía y Negocios Globales (CIEN), dinamizando la economía en el sector acuícola, el cual viene experimentando un crecimiento constante en relación a la pesquería. No obstante, los procesos de muestreo siguen siendo artesanales, comprometiendo la salud de las personas que realizan esta actividad. Frente a esta realidad la presente tesis busca aportar a la solución de esta problemática, aplicando técnicas de deep learning y computer visión para la segmentación de conchas de abanico en un ambiente no extractivo de recursos hidrobiológicos. Para lo cual se aplicó una metodología, la cual inicia con la recolección de imágenes y construcción de una base de datos de conchas de abanico, realizando luego un pre-procesamiento y selección de imágenes para el etiquetado, culminando con la etapa de segmentación con la aplicación de los modelos SUIM-Net y YOLOvo8. Los resultados obtenidos se validaron a partir de las métricas mAP y F1-Score, obteniendo hasta un 79% de precisión. Considerando variables no controladas y en constante cambio, como la turbidez marina, la poca visibilidad bajo el agua, condiciones climatológicas o el terreno del fondo marino que puede ser rocoso, arenoso o presentar exceso de algas.
dc.description.uriTesis de maestría
dc.formatapplication/pdf
dc.identifier.other1080818
dc.identifier.urihttps://hdl.handle.net/20.500.12590/18114
dc.language.isospa
dc.publisherUniversidad Católica San Pablo
dc.publisher.countryPE
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/
dc.subjectDeep learning
dc.subjectComputer visión
dc.subjectSegmentación
dc.subjectConcha de abanico
dc.subjectAcuicultura
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.01
dc.titleSegmentación de conchas de abanico para el muestreo no extractivo de recursos hidrobiológicos basado en Deep Learning y Computer Vision
dc.typeinfo:eu-repo/semantics/masterThesis
dc.type.versioninfo:eu-repo/semantics/publishedVersion
renati.advisor.dni40663480
renati.advisor.orcidhttps://orcid.org/0000-0003-4465-9707
renati.author.dni46019552
renati.discipline712117
renati.jurorLudeña Choez, Jimmy Diestin
renati.jurorBarrios Aranibar, Dennis
renati.levelhttps://purl.org/pe-repo/renati/level#maestro
renati.typehttps://purl.org/pe-repo/renati/type#tesis
thesis.degree.disciplineIngeniería Electrónica y de Telecomunicaciones
thesis.degree.grantorUniversidad Católica San Pablo. Departamento de Ingeniería Eléctrica y Electrónica
thesis.degree.levelMaestría
thesis.degree.nameMaestro en Internet de las Cosas
thesis.degree.programEscuela Profesional Ingeniería Electrónica y de Telecomunicaciones
Files
Original bundle
Now showing 1 - 4 of 4
Loading...
Thumbnail Image
Name:
BERNEDO_FLORES_LIZ_SEG.pdf
Size:
21.98 MB
Format:
Adobe Portable Document Format
No Thumbnail Available
Name:
ACTA.pdf
Size:
791.76 KB
Format:
Adobe Portable Document Format
No Thumbnail Available
Name:
TURNITIN.pdf
Size:
14.8 MB
Format:
Adobe Portable Document Format
No Thumbnail Available
Name:
AUTORIZACIÓN.pdf
Size:
150.9 KB
Format:
Adobe Portable Document Format
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description: