Clasificación de especies en bosques utilizando imágenes capturadas con vehículos aéreos no tripulados y aprendizaje profundo

Tesista: Catherine Sophie Louys Sanso

Director: Dr. Pablo De Cristóforis
Codirector: Ing. Francisco Raverta Capua

Resumen.

En este trabajo se aborda el desafío de clasificar especies arbóreas a partir de imágenes aéreas RGB mediante técnicas de aprendizaje profundo. El objetivo principal fue realizar segmentación semántica de copas de árboles utilizando tecnología accesible y de bajo costo, como drones equipados con cámaras RGB, enfrentando limitaciones propias de este tipo de datos, como la variabilidad en la iluminación, la oclusión parcial de copas y la similitud fenotípica entre especies. Como parte de esta tesis se replicó el trabajo de Cloutier et al. [9], donde se utilizó una U-Net. A partir de dicha base, se implementaron modificaciones sobre la arquitectura original de la U-Net. Se implementaron 3 tipos de schedulers distintos, los cuales permitieron mejorar el desempeño de la red. El mejor F1 obtenido con la U-Net fue de 0.7392, superando el valor reportado en el paper original. Además, se trabajó con otra red, una DeepLabV3 con ResNet-50 de backbone, que superó el desempeño de la anterior. Se probaron distintas configuraciones de esta red, también con los mismos schedulers que se utilizaron para la U-Net. El mejor resultado obtenido fue un F1 score de 0.7515 en promedio entre las especies. Esta tesis se enmarcó dentro de un proyecto de mapeo de bosques en el Laboratorio de Robótica y Sistemas Embebidos (LRSE) del ICC-DC. Para la realización de este trabajo se utilizó el servidor del área de Imágenes y Robótica del ICC-DC, pues a través de él pudo accederse a dos GPUs que fueron de utilidad para reducir los tiempos de cómputo de entrenamiento de redes. Asimismo, la realización de esta tesis supuso el manejo de Docker [12], software para el encapsulamiento del entorno de ejecución en un contenedor. Para la implementación de las redes neuronales se utilizó la librería PyTorch [25]. El dataset utilizado consistió en imágenes reales tomadas en áreas forestales de Canadá.

Palabras claves: clasificación de especies arbóreas, segmentación semántica, U-Net, DeepLabV3, redes neuronales convolucionales, aprendizaje profundo.

Buenos Aires, 2025

Descargar PDF
Clasificación de especies en bosques utilizando imágenes capturadas con vehículos aéreos no tripulados y aprendizaje profundo