Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
[ES] En un contexto de rápida y continua expansión de la acuicultura, comienza a tomar protagonismo el uso de los modelos de deep learning, también conocidos como modelos de aprendizaje profundo. Esta nueva técnica, se basa en redes neuronales profundas, las cuales se encargan de simular el cerebro...
| Autor: | |
|---|---|
| Tipo de documento: | Dissertação de mestrado |
| Data de publicação: | 2025 |
| País: | España |
| Recursos: | Universitat Politècnica de València (UPV) |
| Repositório: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | Espanhol |
| OAI Identifier: | oai:riunet.upv.es:10251/225836 |
| Acesso em linha: | https://riunet.upv.es/handle/10251/225836 |
| Nível de acesso: | Acesso aberto |
| Palavra-chave: | Deep learning Redes neuronales profundas Dataset Lubinas (Dicentrarchus labrax) Bounding boxes. Deep neural networks Sea bass (Dicentrarchus labrax) Dicentrarchus labrax Máster Universitario en Evaluación y Seguimiento Ambiental de Ecosistemas Marinos y Costeros-Màster Universitari en Avaluació i Seguiment Ambiental d&apos Ecosistemes Marins i Costaners |
| Resumo: | [ES] En un contexto de rápida y continua expansión de la acuicultura, comienza a tomar protagonismo el uso de los modelos de deep learning, también conocidos como modelos de aprendizaje profundo. Esta nueva técnica, se basa en redes neuronales profundas, las cuales se encargan de simular el cerebro humano, consiguiendo procesar grandes volúmenes de datos y detectar patrones complejos. Presenta una gran aplicabilidad al campo de la acuicultura, destacando el monitoreo y reconocimiento de especies, detección y predicción temprana de enfermedades, desarrollo de una alimentación inteligente o incluso la estimación de biomasa y crecimiento. En este estudio se planteó el desarrollo de un dataset a partir de la creación de datos, mediante el etiquetado de imágenes de juveniles y alevines de lubina en un estanque de condiciones controladas. Posteriormente, este dataset fue evaluado utilizando parámetros y criterios de evaluación, como el índice Kappa de Cohen o el Interseccion over Union (IoU), permitiéndonos determinar la calidad y fiabilidad de los datos generados. Por otra parte, también se compararon parte de los datos del dataset con unos datos de referencia, consiguiendo un alto grado de concordancia, lo que respalda la fiabilidad y validez del conjunto de datos utilizado. |
|---|