Desarrollo de un sistema para la clasificación de áreas asociadas a actividades ilícitas usando imágenes satelitales multiespectrales y redes neuronales profundas

Las actividades delictivas han aumentado de forma considerable en los últimos años en al país con un alto grado de inseguridad ligadas a crímenes como el narcotráfico, minería ilegal, tala indiscriminada de árboles, entre otros. En base a este problema, se plantea una solución para detectar estas actividades ilícitas mediante el procesamiento de imágenes satelitales utilizando redes neuronales profundas. Es así que, se determina utilizar las 13 bandas espectrales de las imágenes satelitales de la base de datos AmazonCRIME empleando un modelo de CNN, y con esto entrenar los modelos pre entrenados DenseNet y ResNet con los pesos aprendidos en los modelos de clasificación de imágenes en RGB y con modelos desarrollados para entrenar con todas las bandas sin pesos aprendidos. La arquitectura ResNet-152 obtuvo una exactitud del 98,44% con imágenes RGB y 98,31% con imágenes con los 13 canales. Además, se estableció un procedimiento de clasificación supervisado de muestras o capas de áreas asociadas a las diferentes clases mediante una red CNN 1D y así apreciar cualitativamente la exactitud del proceso de clasificación validando el mismo con un Ground Truth para demarcar los sectores generando máscaras de forma manual. Sin embargo, este procedimiento depende de la agudeza sensorial de la persona que lo aplique, haciendo pruebas con la clase Agua con un 49,67% de acierto y la clase Bosque con un 85,66%.

• Hovedforfatter: Camacho Mantilla, Marco Efraín (author)
• Andre forfattere: Castellanos Loza, Sergio Orlando (author)
• Format: bachelorThesis
• Udgivet: 2024
• Fag: ACTIVIDADES ILÍCITAS; IMÁGENES SATELITALES; REDES PRE ENTRENADAS; REDES NEURONALES.
• Online adgang: https://repositorio.espe.edu.ec/handle/21000/40632