Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Garcia Arenas, Hans YecidArguello Fuentes, HenryLópez Joya, Carlos Eduardo2024-03-0420202024-03-0420202020https://noesis.uis.edu.co/handle/20.500.14071/40084Una 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.application/pdfspahttp://creativecommons.org/licenses/by/4.0/SegmentaciónImágenes espectralesAprendizaje de máquinaAprendizaje de transferenciaClasificación.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coSegmentationSpectral imageMachine learningTransfer learningClassification.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)