Título: Clasificación de especies en bosques utilizando imágenes capturadas con vehículos aéreos no tripulados y aprendizaje profundo
Director: Dr. Pablo De Cristóforis
Co-Director: Ing. Raverta Capua
Jurados:
Dra. Victoria Paternostro
Dra. María Elena Buemi

Resumen:

En este trabajo se aborda el desafío de clasificar especies arbóreas a partir de imágenes aéreas RGB mediante técnicas de segmentación semántica basadas en aprendizaje profundo. Para la recolección de datos se consideró una tecnología accesible y de bajo costo, como son los drones equipados con cámaras RGB, enfrentando las 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 (2024), donde se utilizó un modelo basado en la red convolucional U-Net. A partir de dicho modelo, se implementaron modificaciones sobre la arquitectura propuesta. Para esto, se evaluaron 3 tipos de schedulers distintos, los cuales permitieron mejorar el desempeño de la red. Con estas mejoras se alcanzó un F1 socre de 0.7392, superando el valor reportado en el trabajo original. Como alternativa a la U-Net, también se entrenó una red DeepLabV3 con ResNet-50 de backbone. Con este modelo se probaron distintas configuraciones, empleando los mismos schedulers que se utilizaron para la U-Net. Con la red DeepLabV3 se alcanzó un F1 score de 0.7515 en promedio entre las especies, superando el desempeño del modelo propuesto en el trabajo de Cloutier et al (2024), lo cual representa un avance en el estado del arte.