Determinación del mejor algoritmo de reconocimiento de imágenes de camélidos sudamericanos mediante machine learning, Apurímac, 2023
Palabras clave:
camélidos, reconocimiento, red neuronal, vicuñaResumen
Las alpacas y las vicuñas pertenecen a la familia de los camélidos sudamericanos, la alpaca es un animal doméstico, mientras que la vicuña es un animal silvestre que generalmente vive en alturas superiores a los 3000 m.s.n.m. El problema es que en en el caso de las vicuñas es difícil realizar el reconocimiento y conteo y porque por su naturaleza de ser animal silvestre huyen de las personas y de cualquier otro objeto extraño que no esa de su entorno; el otro problema es que no se tiene una base de datos de imágenes o fotos de vicuñas para hacer un estudio de reconocimiento de imágenes. Este trabajo consistió en recolectar 146 imágenes de vicuña, de los cuales 95 fueron consideradas para el entrenamiento 41 para la validación y 10 para las pruebas; las imágenes fueron recolectadas en un centro poblado del distrito de Cotaruse, provincia de Aymaraes en la región Apurímac de Perú. Para el caso de las alpacas, las imágenes se obtuvieron del repositorio de Kaggle y se trabajó con 142 imágenes de las cuales 95 fueron consideradas para el entrenamiento, 41 para la validación y 10 para las pruebas. Los resultados muestran que el algoritmo o modelo Mask-RCNN obtiene valor para accuracy de 1,0 para las vicuñas y de 0,95 para las alpacas; estos valores son los más eficientes en relación a los encontrados por Yolo V8 y SSMD.
Citas
H. D. Yacobaccio, “The domestication of South American camelids: a review,” Anim. Front., vol. 11, no. 3, pp. 43–51, 2021, https://doi.org/10.1093/af/vfaa065
J. E. Quispe Coaquira, T. Herrera Mamani, E. Apaza Zúñiga, L. Clavetea Quisca, and Z. Maquera Marón, “Características tecnológicas de la fibra de vicuñas en semicautiverio de la Multicomunal Picotani-Región Puno,” Rev. Investig. Vet. del Perú, vol. 29, no. 2, pp. 522–532, 2018, https://doi.org/10.15381/rivep.v29i2.14475
G. Rodríguez García, “Animales...? En peligro de extinción o en peligro de que los extingamos?,” Ius Prax., vol. 14, no. 1, pp. 301–315, 2008, doi: http://dx.doi.org/10.4067/S0718-00122008000100011.
J. Laker, J. Baldo, Y. Arzamendia, and H. D. Yacobaccio, “La vicuña en los Andes,” Investig. Conserv. y manejo vicuñas, pp. 37–50, 2006, [Online]. Available: https://www.vicam.org.ar/publi/VicuniaAndes.pdf
R. Hoffmann, K. Otte, and C. Ponce, El manejo de la vicuña silvestre Tomo I, vol. I. Alemania: Sociedad Alemana de Cooperación Técnica- GTZ, 1983.
G. Gallardo, A. Nuñez, and L. F. Pacheco, “Transectos lineales como opción para estimar abundancia de vicuñas (Vicugna vicugna): Estudio de caso en el Parque Nacional Sajama, Bolivia,” Ecol. en Boliv., vol. 45, pp. 64–72, 2010.
K. S. Christie, S. L. Gilbert, C. L. Brown, M. Hatfield, and L. Hanson, “Unmanned aircraft systems in wildlife research: Current and future applications of a transformative technology,” Front. Ecol. Environ., vol. 14, no. 5, pp. 241–251, 2016, doi: 10.1002/fee.1281, https://doi.org/10.1002/fee.1281
Kaggle, “Image Dataset,” 2023. https://www.kaggle.com/datasets/sid4sal/alpaca-dataset-small (accessed Jan. 02, 2023).
J. Hu, X. Wu, and M. Dai, “Estimating the population size of migrating Tibetan antelopes Pantholops hodgsonii with unmanned aerial vehicles,” Oryx, pp. 1–9, 2018, https://doi.org/10.1017/S0030605317001673
H. Nguyen et al., “Animal recognition and identification with deep convolutional neural networks for automated wildlife monitoring,” in 2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA), 2017, pp. 40–49. https://doi.org/10.1109/DSAA.2017.31.
A. Gomez, G. Diez, A. Salazar, and A. Diaz, “Animal identification in low quality camera-trap images using very deep convolutional neural networks and confidence thresholds,” in International Symposium on Visual Computing, 2016, pp. 747–756. https://doi.org/10.1007/978-3-319-50835-1_67
J. Xiao, G. Liu, K. Wang, and Y. Si, “Cow identification in free-stall barns based on an improved Mask R-CNN and an SVM,” Comput. Electron. Agric., vol. 194, 2022, https://doi.org/10.1016/j.compag.2022.106738
S. Li et al., “Individual dairy cow identification based on lightweight convolutional neural network,” PLoS One, vol. 16, no. 11 November, 2021, https://doi.org/10.1371/journal.pone.0260510
M. Hussain, “YOLO-v1 to YOLO-v8, the Rise of YOLO and Its Complementary Nature toward Digital Manufacturing and Industrial Defect Detection,” Machines, vol. 11, no. 7, p. 677, 2023, https://doi.org/10.3390/machines11070677
K. He, G. Gkioxari, P. Dollár, and R. Girshick, “Mask r-cnn,” in Proceedings of the IEEE international conference on computer vision, 2017, pp. 2961–2969, https://doi.org/10.1109/ICCV.2017.322
S. A. Magalhães et al., “Evaluating the single-shot multibox detector and YOLO deep learning models for the detection of tomatoes in a greenhouse,” Sensors, vol. 21, no. 10, p. 3569, 2021, https://doi.org/10.3390/s21103569
CVAT, “CVAT-Open Data Annotation Platform,” 2023. https://www.cvat.ai/
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 C&T Riqchary Revista de investigación en ciencia y tecnología
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
