Examinando por Autor "Haut Hurtado, Juan Mario"

Mostrando 1 - 4 de 4
  • Miniatura
    Publicación
    Desarrollo de una librería para la obtención masiva de imágenes Sentinel y su aplicación en la detección de incendios con Deep Learning
    (Universidad de Educación a Distancia (UNED), 2024-09) García Flores, María Beatriz; Pastor Vargas, Rafael; Haut Hurtado, Juan Mario
    Este Trabajo Fin de Máster presenta el desarrollo de un modelo predictivo para la detección de incendios forestales utilizando técnicas de aprendizaje profundo (Deep Learning) aplicadas a imágenes multiespectrales del satélite Sentinel-2 y datos de incendios activos proporcionados por el sistema FIRMS (Fire Information for Resource Management System). Dada la creciente amenaza que representan los incendios forestales para los ecosistemas y las zonas habitadas, este proyecto busca facilitar una intervención temprana y mejorar la gestión eficiente de incendios mediante la integración de imágenes satelitales y análisis avanzado. El proceso incluye el preprocesamiento de imágenes multiespectrales y la generación de etiquetas de referencia utilizando el índice de Pierre Markuse, especializado en la identificación de áreas quemadas. Se implementaron modelos de segmentación semántica, como U-Net y SegNet, entrenados para identificar áreas afectadas por incendios. Estos modelos capturaron características clave de las imágenes, mejorando la precisión de la segmentación. Se utilizaron encoders como MobileNetV3 y EfficientNetV2 para extraer características complejas. Los resultados destacan la importancia de las bandas NIR y SWIR, que permiten identificar áreas con estrés hídrico o cambios en la vegetación, factores que influyen en la propagación de incendios. La combinación de teledetección satelital y Deep Learning proporciona un marco sólido para la detección temprana de incendios, mejorando las capacidades de respuesta y mitigación. Este trabajo también identifica algunas limitaciones, como el alto coste computacional en el procesamiento de grandes volúmenes de datos y la necesidad de optimizar los modelos. Para futuras investigaciones, se sugiere la inclusión de datos meteorológicos para mejorar la precisión y el rendimiento predictivo.
  • Miniatura
    Publicación
    Evaluación del rendimiento de algoritmos sobre frameworks Hadoop y Spark
    (Universidad de Educación a Distancia (UNED), 2024-09) Cañada Rostro, Carlos; Pastor Vargas, Rafael; Haut Hurtado, Juan Mario
    Big Data e inteligencia artificial son conceptos que están a la orden del día en la actualidad, pero cómo funcionan internamente es una incógnita para la mayoría de la sociedad, por ello en este documento se busca esclarecer dichos términos y como consecuencia entender y evaluar distintas metodologías que llevan a su utilización. Para ello, se cuenta con frameworks como Apache Hadoop o Apache Spark, los cuales brindan la posibilidad de procesar grandes cantidades de datos distribuyéndolos en diferentes máquinas para su procesamiento. Como parte del análisis, se comparará la eficiencia de ambos frameworks, no solo en términos de tiempo de ejecución, sino también en el uso de recursos como CPU, memoria y red, proporcionando una evaluación más exhaustiva de su rendimiento en un entorno distribuido. Como caso práctico en este trabajo, se utilizarán datos de imágenes por satélite, las cuales pueden alcanzar un tamaño considerable haciendo imposible siquiera su apertura en una configuración local, mucho menos su procesamiento. Estas imágenes, a diferencia de las que son utilizadas continuamente cuentan con más de tres bandas de color (RGB), es decir, son multibanda o multiespectrales, permitiendo realizar una serie de cálculos sobre ellas realmente útiles en el ámbito de la teledetección. Además, los resultados obtenidos tras el procesamiento de estas imágenes podrán ser visualizados y empleados para la toma de decisiones en áreas como la agricultura de precisión o el monitoreo ambiental, subrayando el valor práctico de la información extraída. La metodología a seguir será el desarrollo y puesta en marcha de una infraestructura capaz de cargar ingentes cantidades de datos, distribuirlos en un clúster compuesto por varias máquinas, realizar el cálculo pertinente de manera distribuida y recuperar el resultado final. Además de probar y evaluar los dos frameworks mencionados anteriormente, se utilizarán herramientas y plataformas extra como Apache Hive y Amazon Web Services, proporcionando un entorno robusto y escalable para manejar grandes volúmenes de datos.
  • Miniatura
    Publicación
    Optimización de redes neuronales convolucionales para la clasificación de imágenes hiperespectrales
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial, 2022-02) García Roqué, Andrés Abelardo; Haut Hurtado, Juan Mario; Pastor Vargas, Rafael
    Este proyecto abarca el estudio de las redes neuronales convolucionales aplicadas a imágenes hiperespectrales con el objetivo final de optimizar su funcionamiento, reduciendo el consumo de memoria y de electricidad para poder emplearlas a bordo de micro satélites de observación de la Tierra. Para ello se realizará un estudio del funcionamiento de estas redes y del estado del arte de la tecnología. Posteriormente se hará una revisión de la literatura para buscar métodos adecuados de optimización de este tipo de redes, tratando de reducir tanto el ancho como la profundidad de la red sin disminuir significativamente su precisión, eliminando cálculos innecesarios y por lo tanto reduciendo su consumo. Por último se aplicarán dichos métodos y se evaluarán los resultados analizando la viabilidad de uso.
  • Miniatura
    Publicación
    Reconocimiento de códigos grabados por láser mediante técnicas de Deep Learning
    (Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Sistemas de Comunicación y Control, 2022-03-07) Minaya Montalvo, Marcos; Haut Hurtado, Juan Mario; Pastor Vargas, Rafael
    Los algoritmos tradicionales de reconocimiento óptico de caracteres (OCR) tienen una larga historia, un amplio desarrollo y una gran aplicabilidad a muchos problemas de digitalización de textos. Sin embargo, en términos de generalización, estos algoritmos están limitados a su propia parametrización ad-hoc para el problema en el que se aplican y al preprocesamiento de la imagen necesario para que funcionen correctamente. Al mismo tiempo, el funcionamiento intrínseco de estos algoritmos, basado en el contraste entre el carácter a reconocer y el fondo de la imagen, hace que en los casos en los que dicho contraste no es muy pronunciado, la tarea de reconocimiento pueda ser imposible. El presente trabajo pretende desarrollar un nuevo algoritmo basado en técnicas de Deep Learning, conocidas por su alta capacidad de generalización para numerosos escenarios gracias a su arquitectura en forma de red neuronal, y de un conjunto de datos suficientemente amplio y variado. Los resultados obtenidos por el modelo D3POCR desarrollado superan con creces a los algoritmos tradicionales de OCR, al menos en este caso de uso. Este nuevo modelo compuesto se basa en 3 fases: la detección y localización del código a reconocer, un ajuste y calibración de sus coordenadas, y finalmente la fase que más se asemeja a un OCR tradicional, que se encarga del reconocimiento del propio código. Para ello, se entrenaron 3 modelos de redes neuronales y se diseñó un algoritmo parametrizado denominado ventana deslizante. A su vez, se recogieron 3 conjuntos de datos en formato de imagen para el entrenamiento de los 3 modelos mencionados anteriormente. Una vez finalizada la fase de desarrollo y entrenamiento del modelo D3POCR, se procedió a su despliegue y se inició la fase de pruebas para comprobar la precisión real del modelo. Los resultados obtenidos reflejaron el gran potencial del modelo frente a la enorme variabilidad de los datos con los que se trabajaba y a un entorno poco controlado. Por último, cabe destacar que este algoritmo no fue diseñado como un modelo de OCR avanzado que pueda ser implementado en otros casos de uso similares, ya que es un desarrollo completamente ad-hoc para un caso de uso real de una empresa de logística. Sin embargo, viendo los resultados obtenidos por este nuevo enfoque de OCR, se pretende que este trabajo sirva de inspiración para nuevos modelos de OCR que trabajen en situaciones similares a las presentadas en este trabajo.