Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Sepúlveda Sepúlveda, AlexanderOrtega Boada, HomeroRuíz Jiménez, Luisa FernandaMantilla Ramírez, Naren Arley2024-03-0420212024-03-0420212021https://noesis.uis.edu.co/handle/20.500.14071/42206La deforestación y extracción desordenada de madera ponen en peligro algunas especies maderablesvulnerables. Estas especies prohibidas podrían detectarse durante su proceso de transporte si las entidades de vigilanciay control tuvieran los instrumentos de seguimiento adecuados. Si bien en trabajos anteriores se reportan métodos paraidentificar especies de madera, estos no son aplicables a sitios alejados de las principales ciudades. En el presentetrabajo se propone utilizar narices electrónicas (arreglos de sensores químicos) para identificar especies maderables, apartir de los compuestos volátiles que estas emanan. La medición de aromas se realiza mediante el uso de una matrizde 16 sensores químicos, cuyas curvas son la entrada a un procedimiento de estimación de características. Luego,se realiza un análisis de componentes principales, para finalmente aplicar una estrategia de clasificación basada enmáquinas de vectores de soporte. En contraste a trabajos previos, en el presente trabajo se aplica una nueva estrategia al problema de detección de especies: verificación utilizando modelos de mezclas gaussianas y modelos de referencia (Universal Background Model).Adicionalmente, en comparación con trabajos reportados recientemente, las condiciones de recolección de muestrasson más cercanas a las encontradas en entornos reales para los cuales este trabajo busca resolver el problema; y, elnúmero de muestras es mayor y más variado. De otra parte, debido a que la distribución de muestras recolectadaspara las especies no está balanceada, se aplica una técnica de aumento de datos para compensar el desequilibrio en lasclases. Al realizar los experimentos se encuentra un desempeño de aproximadamente 80% en cuanto a identificaciónde especies. Resultados similares se encuentran en los experimentos de verificación, los cuales mejoran hasta un 88 %cuando se aplica LASSO a modo de estrategia de selección de características. A pesar de los resultados prometedores,se deben realizar mayores esfuerzos para obtener un mejor desempeño.application/pdfspahttp://creativecommons.org/licenses/by/4.0/Identificación de MaderaVerificaciónNariz ElectrónicaMatriz de Sensores QuímicosAplicaciones de Aprendizaje AutomáticoClasificación de Vectores de Soporte (SVM)Aumento de DatosGMM-UBMModelo de Mezclas gaussianasModelo Universal.Universidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coWood IdentificationVerificationElectronic Nose (E-Nose)Chemical Sensor ArraysMachine LearningApplicationsSupport Vector Classification (SVM)Data AugmentationGMM-UBMGaussian Mixture ModelsUniversal Background Model.info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)