ZUÑIGA BARRAZA, MARCOS DAVIDGONZALEZ OYARZUN, LUIS ANGELOCREIXELL FUENTES, WERNER UWECARVAJAL BARRERA, GONZALO ANDRESGONZALEZ OYARZUN, LUIS ANGELO2024-10-162024-10-162018https://repositorio.usm.cl/handle/123456789/51199Catalogado desde la version PDF de la tesis.El uso de redes neuronales convolucionales es una de las sub-áreas de Deep Learning que tiene por objetivo clasificar e identificar patrones en el contexto de imágenes. Estas redes son entrenadas utilizando bases de datos de imágenes que buscan “enseñar” al modelo el comportamiento deseado, de forma tal que permita hacer mútiples tareas basadas en el reconocimiento de patrones, tales como identificar objetos, clasificar imágenes, segmentar regiones, entre otras. Este trabajo consiste en la implementación de modelos basados en redes completamente convolucionales, modelos que a diferencia de las redes convolucionales tradicionales, persiguen un procesamiento de imágenes general, entregando como resultado una imagen o tensor.El objetivo del presente trabajo es hacer detección de fuego y humo de manera rápida y efectiva, identificando forma y ubicación dentro de la imagen en prueba, bajo el contexto de monitoreo de incendios forestales. De estos modelos, el modelo propuesto (SFEwAN), es evaluado y comparado con el modelo más actual encontrado al cierre de este trabajo de título, Frizzi [16].Se presentan los modelos desarrollados, las metodologías utilizadas para preparar el entrenamiento y evaluación de los mismos, además de los resultados comparativos obtenidos entre SFEwAN y Frizzi [16], mostrando un progreso tanto en precisión como en velocidad de procesamiento respecto al estado delarte visto.El modelo SFEwAN se publicó en su versión de detección de fuego, y fue presentado en el congreso latinoamericano sobre medios en red y electrónicos (LACNEM2017), obteniendo el reconocimiento “best paper award”.Cabe señalar, que el presente trabajo se lleva a cabo en el contexto del proyecto “Wild Fire Watch” que busca hacer monitoreo de incendios forestales mediante utilización de flotas de vehículos aéreos no tripulados, donde una de las etapas de desarrollo busca solucionar la problemática asociada a la detección y reconocimiento de fuego y humo.The use of Convolutional Neural Networks is an application of deep learning, which has as target to classify and identify patterns in images. These networks are trained using datasets with the aim of “teaching” the model to behave in an expected manner. This way, these models can help in pattern recognition, object identification, image classification, region segmentation, among other targets.The present work consists in an implementation of fully convolutional network models. These models are different from traditional convolutional networks because they process a general image, giving as result an image or tensor.The target of this work is to detect fire and smoke in a quick and effective fashion, identifying shape and location of object in the testing image, under the context of wildland fire monitoring. From these models, the proposed model (SFEwAN) is tested and compared to the most currently available work (at the moment this work was made), Frizzi [16].The developed models, the training and evaluation methodologies, besides the comparative results between SFEwAN and Frizzi [16] are presented, obtaining a precision and speed progress respect to the state of the art.The model SFEwAN was published in its fire version, being shown in the Latin American Conference on Networked and Electronic Media (LACNEM2017). This paper was given a “best paper award” recognition.It should be noted that the following work is part of the project “Wild Fire Watch” that aims to monitor wildland fires by using unmanned aerial vehicles. Under this context, one stage in this project is to look for a solution to the problem related to fire and smoke detection and recognition.CD ROMAPRENDIZAJE PROFUNDOCNNDETECCION DE FUEGODETECCION DE HUMOINCENDIOS FORESTALESREDES NEURONALESTesis de PregradoB - Solamente disponible para consulta en sala (opción por defecto)3560900258099