Reporte de similitud

NOMBRE DEL TRABAJO AUTOR

Informe 1 - Sistemas Automáticos de Co -

ntrol-3.pdf

RECUENTO DE PALABRAS RECUENTO DE CARACTERES

4741 Words 27743 Characters

RECUENTO DE PÁGINAS TAMAÑO DEL ARCHIVO

25 Pages 519.1KB

FECHA DE ENTREGA FECHA DEL INFORME

Apr 20, 2022 9:45 AM GMT-5 Apr 20, 2022 9:47 AM GMT-5

26% de similitud general

El total combinado de todas las coincidencias, incluidas las fuentes superpuestas, para cada base d
19% Base de datos de Internet 2% Base de datos de publicaciones
Base de datos de Crossref Base de datos de contenido publicado de Crossre
17% Base de datos de trabajos entregados

Excluir del Reporte de Similitud

Material bibliográfico Material citado
Bloques de texto excluidos manualmente

Resumen
 FACULTAD DE INGENIERÍA
Programa académico de Ingeniería Mecánico – Eléctrica
“Diferenciación de carreteras, zonas verdes, árboles y líneas de alta tensión
mediante imágenes RGB y/o multiespectrales”
INFORME 1
Sistemas Automáticos de Control
Profesor: Dr. Ing. William Ipanaqué Alama
MIGUEL ALBERTO CARRASCO MONTERO
CARLA GIULIANA JIMENEZ SILVA
JOSE RODOLFO PALACIOS ELIAS
ROLANDO JONATHAN SILVA CALDERON
JEAN PAUL FABRICIO SANCHEZ SANTILLAN

Asesor: Dr. Ing. William Ipanaqué Alama

Piura, 20 de abril del 2022

 Contenido
Introducción.................................................................................................................. 4

Problema y Justificación ............................................................................................... 5

Objetivos y Alcance ...................................................................................................... 6

Objetivos Generales .................................................................................................. 6

Objetivos Específicos ................................................................................................ 6
Alcance ..................................................................................................................... 6
Estado del Arte ............................................................................................................. 7

1.1. Identificación de vegetación en imágenes satelitales........................................ 7

1.2. Detección de carreteras en imágenes de reconocimiento remoto mediante Deep
Learning .................................................................................................................... 7
1.3. Análisis de imágenes multiespectrales para la detección de cultivos y detección
de plagas y enfermedades en la producción de café. ................................................... 8
1.4. Segmentación de imágenes RGB para aplicación selectiva sobre barbecho ..... 9
1.5. Clasificación de objetos terrestres basada en imágenes multiespectrales. ......... 9
1.6. Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde
UAS/RPAS ............................................................................................................. 10
1.7. Aplicación de fotogrametría aérea en levantamientos topográficos mediante
vehículos aéreos no tripulados ................................................................................. 10
Marco Teórico ............................................................................................................ 11

2.1. Imagen .......................................................................................................... 11

2.2. Procesamiento de Imagen.............................................................................. 11
2.3. Modelos de Color ......................................................................................... 11
2.4. El modelo RGB ............................................................................................ 12
2.5. Procesamiento de imágenes RGB .................................................................. 13
2.5.1. Método en el dominio espacial ...................................................................... 13
2.5.2. Método en el dominio de la frecuencia .......................................................... 15
2.5.3. Método en el dominio de extracción de características .................................... 16
2.6. Imagen Multiespectral................................................................................... 16
2.7. Machine Learning ......................................................................................... 17
2.8. Redes Neuronales ......................................................................................... 18
................................................................................................................................... 18

Materiales, metodología y procedimientos .................................................................. 19

3.1. Materiales ......................................................................................................... 19

 3.1.1. Python ............................................................................................................ 19
3.1.2. Tensorflow .................................................................................................... 19
3.1.3. DJI Matrice 600 Pro....................................................................................... 19
3.1.4. Micasense Rededge MX ................................................................................ 19
3.2. Metodología y Procedimientos.......................................................................... 20
Bibliografía y Referencias ........................................................................................... 21

Gestión del Proyecto y Cronograma ............................................................................ 22

 Introducción

El modelo de color RGB es el más utilizado y esto se debe a la relación que existe
directamente en la forma en el que el ser humano percibimos los colores, debido a los tres
tipos de conos en la retina cuya respuesta es modulada por las curvas de sensibilidad x,
y, z. En comparación, aunque la visión de los caninos es mejor durante la noche, su forma
de percibir los colores está limitada en comparación del hombre. Esto es debido a que sus
conos carecen de sensibilidad al color verde. Hipotéticamente, si los caninos fueran
capaces de cambiar su forma de percibir colores, podrían percibir cosas que simplemente
no existían para ellos. ¿Qué pasaría si no solo observáramos el mundo a través de nuestros
tres tipos de conos o de los modelos de color diseñados para nuestra percepción?
Simplemente seríamos capaces de percibir cosas que de acuerdo a nuestra visión no
existen o simplemente no es apreciable. Gracias a los avances tecnológicos, esta
tecnología existe y nos permite percibir a través de métodos más allá de lo que podemos
ver. La animación realizada por la NASA muestra el sol visto mediante tecnología
multiespectral. Esta es una tecnología que es capaz de recolectar múltiples imágenes de
una misma escena. Capturando datos de imágenes dentro de rangos de longitud de onda
específicos a través del espectro electromagnético. Es decir, se obtiene una respuesta
espectral por píxel conocida como firma espectral de píxel, recolectando
intencionalmente por píxeles y longitud de onda un cubo de información de la escena
capturada.

Este tipo de tecnología es de gran ayuda al poder reconocer o identificar distintas

anomalías o comportamientos “raros”, ya sea en la agricultura como en la geología (entre
otras áreas de aplicación), a través de imágenes que logran capturar lo que para el ojo
humano es imperceptible.

En este informe se hablará sobre la Diferenciación de carreteras, zonas verdes,

árboles y líneas de alta tensión mediante imágenes RGB y/o multiespectrales. Haciendo
uso del laboratorio de Sistemas automáticos de control de la Universidad de Piura, para
poder pasar de lo teórico a lo práctico. Contando con la facilidad de un dron con un sensor
capaz de brindarnos la información necesaria para poder alimentar el presente documento.
 Problema y Justificación

Cuál es el problema?
En cuanto a la agricultura, muchas veces es necesario reconocer si es que existe
presencia de plagas o alguna variante que puede impedir que el cultivo sea de buena
calidad. Algo similar ocurre con las zonas verdes, árboles y carreteras. Existe la necesidad
de establecer una diferenciación de objetos para distintos propósitos, como obtener la
información de cómo han decrecido las áreas de vegetación debido a la deforestación, por
ejemplo. Gracias a la tecnología RGB y/o multiespectral, se puede lograr con una buena
eficiencia la detección de objetos de interés, en base a parámetros característicos.

La aplicación y el uso de imágenes multiespectrales y RGB, son una necesidad en las

distintas aplicaciones prácticas antes mencionadas para poder reconocer o diferenciar de
manera más fácil o simplemente dar a conocer algún factor que es imperceptible para el
ojo humano. Es por ello que existe la necesidad de dar un mayor estudio al respecto para
poder entender de primera mano el uso de estas cámaras o sensores que nos facilitan
muchos problemas futuros. Además, en la última década se usa mucho la inteligencia
artificial para el procesamiento de imágenes, con el objetivo de tener un modelo que
reconozca lo que se desea en menor tiempo.
no se define el problema
 Objetivos y Alcance
Mejorar los obje generales y profundizar los especificos
Objetivos Generales

• Lograr la diferenciación de carreteras, zonas verdes, arboles, líneas de tensión

mediante imágenes RGB y/o multiespectrales

Objetivos Específicos

2
• Desarrollar un sistema mediante el uso de redes neuronales para la detección de
carreteras y áreas verdes.
• Lograr que los lectores comprendan los conceptos relacionados a las redes
neuronales y cómo el Deep Learning aporta mucho en el procesamiento de
imágenes.
• Poner en práctica los conceptos que se van adquiriendo mediante autoaprendizaje,
ya que para algunos integrantes de este grupo no tienen experiencia programando
una red neuronal.

Alcance

El presente trabajo se desarrolla mostrando en primer lugar, una recopilación de los

artículos científicos que hablan sobre el trabajo de imágenes RGB y/o multiespectrales,
luego de ello se habla de los materiales que se usarán para la realización del presente
trabajo.

Una de las limitaciones con las que se ha topado el grupo es que no se habla mucho de
cómo detectar líneas de tensión en las fuentes de referencia de este primer informe.
Es parte del problema?
 Estado del Arte

1
1.1.Identificación de vegetación en imágenes satelitales
Redacción?

El presente trabajo desarrolló un algoritmo de identificación de densidad de cobertura

vegetal en imágenes multiespectrales.
3
Las fotos realizadas fueron sometidas a cálculo del índice de vegetación de diferencia
normalizada (NDVI) para poder destacar las características propias de la vegetación para
así poder imágenes artificiales en una escala de grises donde se puede distinguir la
vegetación con la del suelo, donde se estableció un método de segmentación. Dicho
método de segmentación está basado en la umbralización por el método Otsu, la cual
1
genera un umbral adaptable a las condiciones de cada imagen y que permite tomar en
cuenta que la información de las imágenes tomadas puede variar dependiendo de las
condiciones ambientales, meteorológicas, fenológicas y temporales de la zona de estudio
(Cortés, 2014). Mejorar las referencias!!

El resultado final del algoritmo fue exitoso ya que logra identificar zonas de
vegetación en distintos ambientes ya sean urbanos, agrícolas, forestales.

1.2.Detección de carreteras en imágenes de reconocimiento remoto mediante Deep

Learning

4
El presente trabajo elabora un proyecto de detección de carreteras en imágenes RGB
de reconocimiento remoto teniendo como herramienta el Machine Learning y técnicas de
aprendizaje profundo (Deep learning). Cabe resaltar que este proyecto es un desafío de
4
CodaLab y dicho desafío se llama DeepGlobe Road Extration Challenge quien brindó
4
todos los datos utilizados en el proyecto.
4
El conjunto brindado consta de 3 grupos: para el entrenamiento, para la validación y
4
para el test. El primer subconjunto es el único que se pudo realizar ya que para poder
medir la calidad del modelo es necesaria la máscara binaria la cual solo la primera cuenta.
Se cuenta con 6226 imágenes de 1024x1024 cada una con su mascara con la verdad del
 4
terreno. Dichas mascaras están formadas por pixeles blancos (carretera) y negros (carreta)
(Urruzola, 2020).

Para el entrenamiento no se utilizó cada imagen en su totalidad, sino que se decidió

4
trabajar con ventanas permitiendo así que la clasificación se produzca pixel por pixel y al
4 4
final se unen las predicciones de los pixeles en una sola imagen. Se selecciona el mismo
número de ventanas para cada clase (carretera y no carretera) de manera que se obtiene
balancear el entrenamiento ya que si no se hubiera trabajado así los datos hubieran sido
procesados de manera errónea. El entrenamiento, validación y test se realizaron de
4
manera distinta ya que para las dos primeras se realizaron sobre conjuntos de ventanas
aleatoriamente obtenidas de distintas imágenes mientras que el test se realizó de dos
maneras la primera ser realizo al igual que el entrenamiento y validación, y la segunda
4
fue segmentando imágenes enteras por ventanas para poder predecir independientemente
y tener un resultado final juntando todo (Urruzola, 2020).

Al final se obtuvieron resultados medianamente aceptables ya que no se contaron con

los recursos ideales para la realización del proyecto, pero en términos generales se
pudieron obtener resultados satisfactorios.

3
1.3.Análisis de imágenes multiespectrales para la detección de cultivos y detección de
plagas y enfermedades en la producción de café.

La presente investigación utiliza imágenes multiespectrales del satélite Landsat 8

3
para la detección de cultivos de café, detección de plagas y enfermedades. Se realizo en
la zona de Misantla y Coatepec, en el estado de Veracruz.

Para este proyecto se emplearon procesos de preprocesamiento de imágenes,

interpretación digital a través de proceso de clasificación supervisada, muestreo en campo
para entrenamiento y validación de resultados. Fue necesaria la matriz de error en la que
nos permite mostrar un valor aceptable en la toma de datos ya que esto permite el uso de
imágenes Landsat debido a su resolución espectral es aceptable para este estudio según
lo observado en el campo y los resultados obtenidos ya que genera información de las
áreas cultivadas que ayudara en la agricultura (Sánchez-Méndez & Arguijo-Hernández,
2018).
 3
Se demostró que el uso de imágenes multiespectrales es una alternativa confiable
para la identificación de cultivos de café además que también serviría para analizar en
café en sus diferentes estados fenológicos.

1.4.Segmentación de imágenes RGB para aplicación selectiva sobre barbecho

El presente trabajo trata sobre la identificación de maleza sobre los cultivos por
medio de cámaras RGB teniendo en cuanta varias posibles soluciones como trabajar con
los índices de vegetación, cambios de espacios de colores y algoritmos de inteligencia
artificial.

Para este estudio utilizaron imágenes de una resolución de 1280x720 obteniendo en

total una data de 200 imágenes en las que no todas fueron tomadas en las mismas
condiciones, sino que algunas fueron tomadas con poca luz y otras no. Después se
etiqueto cada como como maleza y suelo. Pero antes de entrenar los modelos fue
necesaria la selección de índices de los distintos espacios de colores para ser utilizados
como valores de entrada en los modelos. Para esta tarea en particular se entrenaron arboles
de decisión a partir de los datos recolectados con los índices seleccionados. Se obtuvieron
buenos resultados lo que brinda una muy buena relación entre reconocimiento y
rendimiento del sistema (Baruffaldi, Cavalieri, & Baruffaldi, 2020).

1.5.Clasificación de objetos terrestres basada en imágenes multiespectrales.

El presente trabajo propone la clasificación de objetos terrestres mediante el uso de un

vehículo aéreo no tripulado (UAV en inglés) de cuatro rotores y una cámara
multiespectral para el recojo de imágenes multiespectrales para la clasificación.

En primer lugar, las imágenes multiespectrales adquiridas se corrigieron y

desnaturalizaron. Luego se extrajeron una serie de parámetros característicos, como los
valores medios de gris, índices de vegetación y características de textura.

Se establecieron tres modelos de clasificación teniendo en cuenta la existencia de

multicolinealidad en las variables independientes, basados en la regresión por pasos,
mínimos cuadrados parciales, análisis de componentes principales y máquina de
aprendizaje extremo, respectivamente.

La precisión de los modelos mencionados fue superior al 87% para árboles, césped,
carriles y aceras. (Wu, Qin, Cheng & Wu; 2019)
 Figura 1. Comparación de los efectos de la clasificación.
Fuente: (Wu, Qin, Cheng & Wu; 2019)

3
1.6.Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desde
UAS/RPAS

En la presente tesis de magister se propone el estudio mediante imágenes aéreas de

diferentes campos de cultivos abiertos, el cual se analizará de forma estadística mediante
imágenes de diferentes espectros, esto es gracias a la implementación de diversos sensores
en vehículos aéreos no tripulados, el procesamiento de estas imágenes permitirá la
diferenciación de diversos tipos de zonas de cultivo que puedan afectar el rendimiento de
la producción.

Así mismo para la obtención de datos se cuenta imágenes Hiperespectrales de alta

precisión las cuales para su análisis se considera que cada pixel obtenido cuenta con 300
valores correspondientes a sus respectivas bandas las cuales van desde 400 a 1000
nm. (Díaz, 2015)

1.7.Aplicación de fotogrametría aérea en levantamientos topográficos mediante vehículos

aéreos no tripulados

En la siguiente tesis se presenta otra forma de análisis de imágenes mediante

vehículos no tripulados, para nuestro caso de estudio se considerará la fotogrametría
aplicada a los drones, los cuales mediante según el tipo de aplicación existirá una forma
diferente de composición y obtención de datos del vuelo.
Para analizar correctamente las imágenes, se pueden considerar algoritmos de
software presentes en esta tesis, así mismo la distribución de la composición de las
imágenes junto con los datos de vuelo ayudara al modelado para el análisis espectral.

Marco Teórico

2.1.Imagen

13
Se define una imagen como la reproducción de un objeto formada por la
convergencia de los rayos luminosos que, procedentes de él, atraviesan una lente o aparato
óptico, y que puede ser proyectada en una pantalla (RAE).

2.2.Procesamiento de Imagen

11
Son el conjunto de técnicas, las cuales se aplican a las imágenes ya sea para mejorar
su calidad, o extraer información para ciertos propósitos.

La primera vez que se aplicó una técnica de procesamiento de imagen fue en los años
11
veinte, en la transmisión de imágenes periodísticas a través de un cable submarino que
conectaba Londres y Nueva York. Esto permitió que el tiempo entre emisión y recepción
11
de las imágenes pasara de una semana a 3 horas. Tiempo después de esto, se desarrollaron
técnicas de codificación y reproducción de imágenes, llegando a lograr representar una
imagen en 15 tonos de gris, antes eran 5. (Esqueda y Palafox, 2005)

Empleando Imágenes RGB y explorando los métodos desde Machine Learning hasta
Deep Learning como herramientas para procesamiento de imágenes, logra la detección
de carreteras mediante imágenes tomadas de forma remota (Berrondo, 2020)

2.3.Modelos de Color
 10
Básicamente, un modelo de color es una especificación de un sistema de coordenadas
y un subespacio dentro de ese sistema en el que cada color está representado por un único
punto.

La mayoría de los modelos de color que se utilizan hoy en día están orientados al
hardware (como los monitores e impresoras en color) o a las aplicaciones en las que la
manipulación del color es un objetivo (como la creación de gráficos en color para la
animación). (Gonzales y Woods, 2002)

2.4.El modelo RGB

El espacio RGB (Red, Green and Blue) fue estandarizado por la CIE (International
1
Commission on Illumination) en 1931, basado en la absorción de luz por los conos rojo,
verde y azul del ojo humano en función de la longitud de onda. (Gonzales y Woods, 2002)

tener cuidado con los párrafos fielmente

5
En el modelo RGB, cada color aparece en sus componentes espectrales primarios de
rojo, verde y azul. Este modelo se basa en un sistema de coordenadas cartesianas. El
subespacio de color de interés es el cubo que se muestra en la figura 1, en el que los
valores primarios RGB están en tres esquinas; los colores secundarios cian, magenta y
amarillo están en otras tres esquinas; el negro está en el origen; y el blanco está en la
7
esquina más alejada del origen. En este modelo, la escala de grises (puntos de valores
RGB iguales) se extiende del negro al blanco a lo largo de la línea que une estos dos
puntos. Los diferentes colores en este modelo son puntos sobre o dentro del cubo, y están
definidos por vectores que se extienden desde el origen. Por comodidad, se supone que
todos los valores de color se han normalizado de modo que el cubo mostrado en la figura
1 es el cubo unitario. Es decir, se supone que todos los valores de R, G y B están en el
rango [0,1].
 Figura 2. Esquema del Cubo de color RGB. Fuente:
Gonzales y Woods, 2002
5
Las imágenes representadas en el modelo de color RGB constan de tres componentes,
7
uno por cada color primario. Cuando se introducen en un monitor RGB, estas tres
imágenes se combinan en la pantalla para producir una imagen de color compuesto. El
número de bits utilizados para representar cada píxel en el espacio RGB se denomina
profundidad de píxel. Consideremos una imagen RGB en la que cada una de las imágenes
9
roja, verde y azul es una imagen de 8 bits. En estas condiciones, se dice que cada píxel
de color RGB (es decir, un triplete de valores (R, G, B)) tiene una profundidad de 24 bits
(3 planos de imagen por el número de bits por plano). El término imagen a todo color se
utiliza a menudo para denotar una imagen de color RGB de 24 bits. El número total de
colores en una imagen RGB de 24 bits es (28)3.
2
2.5.Procesamiento de imágenes RGB

Para poder obtener los parámetros de la imagen original, hay ciertas fases que se
2
deben seguir como el filtrado y procesamiento de imagen. Se trabajan con algoritmos
(trabajan en el procesamiento de mejora de la imagen), los cuales cuentas con distintas
2
funciones como el contraste, resaltado de imagen, eliminación del ruido, etc.

2
Existen diversos grupos de algoritmos para trabajar el procesamiento de imágenes:

1
2.5.1. Método en el dominio espacial
 1
Se basa en la manipulación directa de los píxeles de la imagen. La función de
procesamiento de la imagen en el dominio espacial puede expresarse como:

𝑔(𝑥, 𝑦) = 𝑇|𝑓(𝑥, 𝑦)|

En donde 𝑓(𝑥, 𝑦) representa a la imagen de entrada y 𝑔(𝑥, 𝑦) a la imagen de salida.

T representa a un operador que actúa sobre 𝑓 definido sobre algún entorno de (𝑥, 𝑦).

Los entornos por lo general son definidos como subimágenes cuadradas o

rectangulares centradas en el pixel (𝑥, 𝑦). La forma más simple de T corresponde a un
entorno de 1x1. En este caso g depende solo del valor de 𝑓 en el punto (𝑥, 𝑦), y T se
convierte en una función de transformación del nivel de gris de la forma 𝑠 = 𝑇(𝑟). En
donde r y s son variables que indican el nivel de gris de 𝑓(𝑥, 𝑦) y de 𝑔(𝑥, 𝑦). (Aguirre,
2013)

2
Figura 3. Transformación en el dominio espacial.
Fuente: Aguirre, 2013

1
El negativo de una imagen se obtiene empleando la función de transformación, como
se muestra en la imagen siguiente.
 Figura 4. Negativo de una imagen.

2
2.5.2. Método en el dominio de la frecuencia

2
Para poder trabajar este método se necesita la transformada discreta de Fourier de la
imagen debido a que esta trabaja en dos dimensiones.

Figura 6. Procesamiento del filtrado trabajando con una

imagen de entrada y se obtiene una imagen de salida. Fuente:
Aguirre, 2013.

2
Se basa en trabajar las frecuencias de la imagen donde puede suprimir y cambiar
ciertas frecuencias, valga la redundancia.
 El trabajo de las bajas frecuencias se relaciona con la intensidad de color en escala
2
de grises, mientras que las altas se caracterizan por los detalles de la imagen. Según el
8
diagrama de bloques, la imagen de entrada 𝑓(𝑥, 𝑦) pasa por etapas como el
procesamiento, la transformada de Fourier, el filtrado, la transformada de Fourier inversa
y finalmente el post procesado para poder obtener una imagen mejorada 𝑔(𝑥, 𝑦).

Según (Aguirre, 2013) para trabajar el proceso de filtrado en el dominio de frecuencia

se tiene con dos filtros: El Butterworth y el Gaussiano.

2
2.5.3. Método en el dominio de extracción de características

8
Este método se enfoca en la extracción de información de la imagen. Esto debido a
2
que es necesario obtener características o atributos de interés para luego analizar
dependiendo de lo que se busca en la imagen.
Las imágenes contienen un sin número de datos que en su mayoría son insignificantes
con las características que uno desea encontrar. Por lo tanto, este método consiste en la
2
extracción de las características que realmente proporcionen la información necesaria
2
para un buen análisis. En los métodos más comunes están: la detección de formas, el
etiquetado y la segmentación.

2.6.Imagen Multiespectral

Para poder dar una mejor definición, primero es necesario entender que es el espectro.
6
Una definición corta sería: división de la intensidad de una radiación en función de una
magnitud característica, como la energía, longitud de onda, la masa o la frecuencia.

Por lo tanto, una imagen espectral es aquel emite la figura de un objeto en función de
la longitud de onda que esté reflejando el objeto en cuestión.

6
Las imágenes multiespectrales están formadas relativamente por pocas bandas, las
cuales van normalmente entre 3 y 20. Estas bandas no son necesariamente contiguas entre
ellas a comparación con las imágenes hiperespectrales que comúnmente están formadas
por un mayor número de bandas y éstas siempre son contiguas.
 Las imágenes multiespectral brinda valores de intensidad en las longitudes de onda
discretas en las que el sistema capte radiación.

Figura 7. Imágenes multiespectrales de 5 bandas.

Fuente: Researchgate.

2.7.Machine Learning

En los últimos años el aprendizaje automático se ha convertido en foco de atención

para el análisis de imágenes multiespectrales, debió a que respuesta de datos no son
paramétricos, esto ayuda a no suponer, además de permitir una gran cantidad de entrada
de datos.

En la teledetección se cuenta con muchas variables complejas de predicción es aquí

cuando el aprendizaje automático supera notoriamente a los procesos anteriores de datos
paramétricos. Un claro ejemplo se indica en “Evaluación de algoritmos de Machine
Learning en la clasificación de imágenes satelitales multiespectrales, caso: Amazonia
Peruana” (Chucos Baquerizo,2022) el cual se muestra como el aprendizaje automático
Fuente incompleta
supero notablemente a un clasificador de máxima verosimilitud que hasta el momento
usaba datos paramétricos.

Para casos específicos donde se necesita cubrir una mayor cantidad de superficie se
utilizará imágenes satelitales, sin embargo, en nuestro caso de estudio se usarán imágenes
áreas no obstante el proceso de corrección, selección y evaluación de las imágenes son
muy similares.
2.8.Redes Neuronales

Son el modelo simple del funcionamiento del sistema nervioso. Su unidad base es la
neurona, que se organiza en capas.

Figura 8. Estructura de una red neuronal. Fuente:

IBM.

Una red neuronal es el modelo simplificado que emula el procesamiento de

información que adquiere el ser humano. Ejecuta de forma simultanea un gran numero de
unidades de procesamiento que están interconectadas, análogo a los procesos que realizan
las neuronas del ser humano.
2
Con el avance tecnológico, ahora se habla de Redes Neuronales Artificiales, que son
la base del Deep Learning.
 Materiales, metodología y procedimientos

2
3.1. Materiales

3.1.1. Python

Es un lenguaje de programación de alto nivel, utilizado para desarrollar aplicaciones

de todo tipo. Es un lenguaje interpretado, no necesita ser compilado para ejecutar las
líneas de código, sino que se ejecuta directamente a través del ordenador.

Es un lenguaje sencillo de leer y escribir. Además, es multiplataforma y de código

abierto, lo que facilita su aplicación en Machine Learning, Big Data, Inteligencia
Artificial, Data Science, entre otros.
2
3.1.2. Tensorflow

Es una biblioteca de software para computación numérica. Es de código abierto y

3
utiliza gráficos de flujo de datos. Los nodos que poseen estas gráficas representan
operaciones matemáticas, mientras que los bordes son las matrices de datos
multidimensionales que se comunican entre ellas.
3
Su principal aplicación es que nos permite construir y entrenar redes neuronales, que
permiten descifrar correlaciones y patrones, de forma similar al razonamiento que usan
los humanos

3.1.3. DJI Matrice 600 Pro

Es un drone para uso industrial, resistente y de vuelo fiable, de pilotaje sencillo. Es

capaz de levantar 6 kg de peso. Presenta diseño modular. La versión Pro presenta una
mejora en el tiempo de vuelo y rango de alcance. Soporta interferencias magnéticas.

3.1.4. Micasense Rededge MX

12
Es una cámara del tipo multiespectral diseñada para la agricultura de precisión
profesional, cuyas imágenes aéreas son de resolución e información confiable.
 12
Posee un sensor de luz DLS para una mejor calibración de luz, captura 5 bandas
espectrales, genera índices de vegetación e imágenes a color en solo un vuelo y se acopla
en cualquier dron.

3.2. Metodología y Procedimientos

Se propone la metodología a seguir:

Para la adquisición de la Data, se hará uso del dron y la cámara multiespectral para
obtener las imágenes, para luego ser sometidas a un preprocesamiento antes de ser
usadas para el entrenamiento de la red neuronal.
 Bibliografía y Referencias

Aguirre, N. (2013). Implementación de un sistema de detección de señales de tráfico

mediante visión artificial basado en FPGA. Sevilla.

Baruffaldi, B., Cavalieri, J. I., & Baruffaldi, J. M. (2020). Segmentación de imágenes

RGB para aplicación selectiva sobre barbecho. Argentina.

Chucos, N. (2022). Evaluación de algoritmos de machine learning en la

clasificación de imágenes satelitales multiespectrales, caso: Amazonia Peruana. Perú.

Cortés, L. P. (2014). Identificación de vegetación en imágenes satelitales. México.

Díaz, J. (2015). Estudio de Índices de vegetación a partir de imágenes aéreas

tomadas desde UAS/RPAS y aplicaciones de estos a la agricultura de precisión.
Madrid.

Esqueda, J., & Palafox, L. (2005). Fundamentos de procesamiento de imágenes.

California.

Gonzales, R. & Woods, Richard. (2002). Digital image processing. New Jersey.

Sánchez-Méndez, A. G., & Arguijo-Hernández, S. P. (2018). Análisis de imágenes

multiespectrales para la detección de cultivos y detección de plagas y enfermedades en
la producción de café. México.

Urruzola, A. B. (2020). Detección de carreteras en imágenes de reconocimiento

remoto mediante Deep Learning. España.

Wu, M., Qin, L., Cheng, S. & Wu, G. (2019). Ground object classification base don
UAV multispectral images.

Las referencias estan incompletas, hay que mejorarlas. Una cosa buena es que
hay actuales
 Gestión del Proyecto y Cronograma

El desarrollo de este proyecto seguirá el siguiente cronograma

Evento Fecha Inicio Fecha Fin

Reunión 25 de abril 25 de abril
Obtención de la Data 26 de abril 29 de abril
Reunión 30 de abril 30 de abril
Corrección de Errores del Informe 1 1 de mayo 21 de mayo
Preparación y Entrenamiento de la Red
Neuronal 1 de mayo 14 de mayo
Durante la semana de
Reunión (Virtual) descanso
Preparación del Informe 2 15 de mayo 20 de mayo

Este es el cronograma propuesto a seguir hasta la entrega del informe 2, durante este
período de tiempo, algunos integrantes de grupo:

• Mantendrán corregido y actualizado el informe, profundizando en los conceptos

y en subsanar los posibles errores que indiquen los asesores.
• Investigarán a fondo el cómo programar y aplicar una red neuronal para el
desarrollo del presente trabajo.
• Todos los integrantes tratarán de cumplir con las fechas pactadas.
 Actas de Reunión

ACTA N°1

Fecha: 26 de marzo del 2022

Hora: 9:30 – 10:40 am

Asistentes:

• Miguel Alberto Carrasco Montero

• Carla Giuliana Jiménez Silva
• José Rodolfo Palacios Elías
• Rolando Jonathan Silva Calderón
• Jean Paul Fabricio Sánchez Santillán
• Dr. Ing. William Ipanaqué Alama

Temas Tratados: Temas a tocar en el estado del arte, investigación para el marco
teórico.

Acuerdos: Investigar los temas tratados

 Actas de Reunión

ACTA N°2

Fecha: 14 de abril del 2022

Hora: 1 – 2pm

Asistentes:

• Miguel Alberto Carrasco Montero

• Carla Giuliana Jiménez Silva
• José Rodolfo Palacios Elías
• Rolando Jonathan Silva Calderón
• Jean Paul Fabricio Sánchez Santillán

Temas Tratados: Aporte de las partes asignadas a cada uno y selección de la

información y metodología a seguir

Acuerdos: Continuar en búsqueda de información

 Actas de Reunión

ACTA N°3

Fecha: 18 de abril del 2022

Hora: 10pm – 12m

Asistentes:

• Miguel Alberto Carrasco Montero

• Carla Giuliana Jiménez Silva
• José Rodolfo Palacios Elías
• Rolando Jonathan Silva Calderón
• Jean Paul Fabricio Sánchez Santillán

Temas Tratados: Elaboración del Informe N°1, con los aportes de cada uno corregidos y
citados.
 Reporte de similitud

26% de similitud general

Principales fuentes encontradas en las siguientes bases de datos:
19% Base de datos de Internet 2% Base de datos de publicaciones
Base de datos de Crossref Base de datos de contenido publicado de Crossre
17% Base de datos de trabajos entregados

FUENTES PRINCIPALES
Las fuentes con el mayor número de coincidencias dentro de la entrega. Las fuentes superpuestas no se
mostrarán.

docplayer.es
1 5%
Internet

Daegu Gyeongbuk Institute of Science and Technology on 2020-05-12

2 4%
Submitted works

repositorio.upn.edu.pe
3 2%
Internet

Universidad del País Vasco on 2020-09-10

4 2%
Submitted works

repositorio.unp.edu.pe
5 2%
Internet

energiadehoy.com
6 2%
Internet

1library.co
7 2%
Internet

Daegu Gyeongbuk Institute of Science and Technology on 2020-05-03

8 1%
Submitted works

Descripción general de fuentes

 Reporte de similitud

cristinoramirezsantos.blogspot.com
9 1%
Internet

opac.pucv.cl
10 1%
Internet

Universidad Senor de Sipan on 2016-12-18

11 1%
Submitted works

hobbytuxtla.com
12 <1%
Internet

ecotec.edu.ec
13 <1%
Internet

Descripción general de fuentes

 Reporte de similitud

Excluir del Reporte de Similitud

Material bibliográfico Material citado
Bloques de texto excluidos manualmente

BLOQUES DE TEXTO EXCLUIDOS

2.4.El modelo RGBEl

www.yumpu.com

Machine Learning, Big Data, InteligenciaArtificial, Data Science

www.openbank.es

Marco Teórico
vsip.info

una red neuronal

upec on 2020-09-09

en función de la longitud de onda

eprints.whiterose.ac.uk

el Machine Learning y técnicas de

Universidad de Alicante on 2020-07-10

del Cubo de color RGB. Fuente

Universidad Pontificia Bolivariana on 2019-11-26

se ha convertido en foco de atenciónpara el

issuu.com

segúnlo observado en
Universidad Nacional Abierta y a Distancia, UNAD,UNAD on 2021-11-02

Por comodidad
repositorioacademico.upc.edu.pe

Se excluyó del reporte de similitud

 Reporte de similitud

Dr. Ing. William Ipanaqué AlamaPiura

Universidad de Piura on 2022-04-12

Introducción...................................................................................................................
Daegu Gyeongbuk Institute of Science and Technology on 2020-05-27

Detección de carreteras en imágenes de reconocimiento remoto mediante DeepLe...

addi.ehu.es

Análisis de imágenes multiespectrales para la detección de cultivos y detecciónde...

repositorio.upn.edu.pe

Estudio de Índices de vegetación a partir de imágenes aéreas tomadas desdeUAS/...

publicacionesfac.com

Aplicación de fotogrametría aérea en levantamientos topográficos mediantevehíc...

publicacionesfac.com

Modelos de Color
archive.org

Procesamiento de imágenes RGB

Daegu Gyeongbuk Institute of Science and Technology on 2020-05-12

5.2. Método en el dominio de

Daegu Gyeongbuk Institute of Science and Technology on 2020-05-12

5.3. Método en el dominio de extracción de características

Daegu Gyeongbuk Institute of Science and Technology on 2020-05-12

en capas.Figura
Daegu Gyeongbuk Institute of Science and Technology on 2020-05-27

relaciona con la intensidad de color en escalade grises

Daegu Gyeongbuk Institute of Science and Technology on 2020-05-09

Se excluyó del reporte de similitud

 Reporte de similitud

mediante el uso de unvehículo aéreo no tripulado (UAV

bazhum.muzhp.pl

píxel
archive.org

Detección de carreteras en imágenes de reconocimiento remoto mediante DeepLe...

addi.ehu.es

laboratorio de Sistemas automáticos de control de la Universidad de Piura

Pedro Rotta, Franco Abanto, William Ipanaque, Gaby Ruiz, Juan Soto, Jose Manrique. "A review of current m...

PythonEs un lenguaje de programación de alto nivel

www.coursehero.com

multiespectral
oa.upm.es

FACULTAD DE INGENIERÍAPrograma académico de Ingeniería Mecánico – Eléctrica

Universidad de Piura on 2022-04-12

Sistemas Automáticos de ControlProfesor: Dr. Ing. William Ipanaqué Alama

Universidad de Piura on 2022-04-12

de modo que el
eprints.ucm.es

que
repositorioacademico.upc.edu.pe

datos de imágenes dentro de rangos de longitud de ondaespecíficos a través del e...

es.wikipedia.org

26 de abril
es.wikipedia.org

Se excluyó del reporte de similitud

 Reporte de similitud

Aplicación de fotogrametría aérea en levantamientos topográficos mediante vehíc...

www.repositorio.usac.edu.gt

para el entrenamiento de la red neuronal

www.repositorio.usac.edu.gt

Entrenamiento de la RedNeuronal
www.repositorio.usac.edu.gt

Se excluyó del reporte de similitud