Clasificación de objetos empleando imágenes espectrales y aprendizaje de máquina

Simple item page
dc.contributor.advisorGarcia Arenas, Hans Yecid
dc.contributor.advisorArguello Fuentes, Henry
dc.contributor.authorLópez Joya, Carlos Eduardo
dc.date.accessioned2024-03-04T00:43:13Z
dc.date.available2020
dc.date.available2024-03-04T00:43:13Z
dc.date.created2020
dc.date.issued2020
dc.description.abstractUna de las grandes aplicaciones de las imágenes espectrales es la clasificación de materiales, dentro de los que podemos encontrar clasificación de alimentos, cultivos y patologías en humanos. Tradicionalmente las imágenes espectrales se pueden clasificar empleando información del ángulo del vector de información espectral de cada píxel o firma espectral, específicamente empleando la métrica del mapeador de ángulo espectral (SAM) que se utiliza para comparar una firma espectral del material a clasificar conocido y el de un píxel espacial no clasificado en la imagen. Por otro lado, recientemente se han desarrollado una serie de algoritmos para la clasificación, entre ellos se encuentran los basados en redes neuronales convolucionales (CNN), las cuales han mostrado un rendimiento sobresaliente para la clasificación de imágenes espectrales de manera automática. Por lo tanto, en este proyecto se presenta un clasificador de objetos empleando imágenes espectrales adquiridas en el laboratorio de óptica del grupo HDSP, por medio de un algoritmo basado en aprendizaje de máquina con CNN, además, se propone realizar un proceso de segmentación de imágenes para extraer el área de interés dentro de la escena. Dentro de los diversos algoritmos que se presentan en este proyecto se pueden agrupar en dos bloques uno que emplea directamente la firma espectral (SpectralNet1) y otro que incluye también información espacial (CarlosNet1 y CarlosNet2). Dentro de los modelos propuestos de aprendizaje de máquina el modelo que obtiene los mejores resultados para llevar a cabo la tarea de clasificación es CarlosNet1 obteniendo un 97.3% de precisión en el conjunto de datos de validación.
dc.description.abstractenglishOne of the great applications of spectral images is the classification of materials, within which we can find classification of food, crops, and human pathologies. Traditionally, spectral images can be classified by using the angle information of the spectral information vector of each pixel or spectral signature, specifically using the metric of the Spectral Angle Mapper (SAM) that is used to compare a spectral signature of the known material to be classified and that of an unclassified spatial pixel in the image. On the other hand, a few of classification algorithms have recently been developed, among them those based on convolutional neural networks (CNN), which have shown outstanding performance for the automatic classification of spectral images. Therefore, this project presents an object classifier using spectral images acquired in the HDSP group’s optics laboratory, by means of an algorithm based on automatic learning with CNN. In addition, it is proposed to perform an image segmentation process to extract the area of interest within the scene. Within the different algorithms presented in this project, they can be grouped in two blocks, one that directly uses the spectral signature (SpectralNet1) and another that also includes spatial information (CarlosNet1 and CarlosNet2).Within the proposed machine learning models, the model that obtains the best results for carrying out the classification task is CarlosNet1 obtaining 97.3% accuracy in the validation data set.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Electrónico
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/40084
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería Electrónica
dc.publisher.schoolEscuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectSegmentación
dc.subjectImágenes espectrales
dc.subjectAprendizaje de máquina
dc.subjectAprendizaje de transferencia
dc.subjectClasificación.
dc.subject.keywordSegmentation
dc.subject.keywordSpectral image
dc.subject.keywordMachine learning
dc.subject.keywordTransfer learning
dc.subject.keywordClassification.
dc.titleClasificación de objetos empleando imágenes espectrales y aprendizaje de máquina
dc.title.englishObject classification using spectral imaging and machine learning.
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
120.16 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
7.25 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
1.76 MB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería Electrónica