Procesado de imágenes de superficies acuáticas mediante técnicas de Deep Learning ́

Abstract

Este Trabajo Fin de Master se centra en la identificación y análisis de cianobacterias en cuerpos de agua utilizando herramientas de procesamiento de imágenes y técnicas de aprendizaje profundo. Basándose en la hipótesis de que las cianobacterias alteran la distribución de los píxeles en los canales verde y azul del espectro RGB y en el canal de saturación del espectro HSV, se desarrollaron análisis de imágenes. Se implementaron modelos de segmentación semántica DeepLabV3+ y U-Net++ para segmentar imágenes de cuerpos de agua y cianobacterias. El estudio se dividió en dos fases: primero, el análisis de imágenes de agua utilizando DeepLabV3+, y segundo, el análisis de imágenes con cianobacterias usando U-Net++. Se desarrollaron y aplicaron herramientas de análisis de imágenes para ambas fases, permitiendo la identificación precisa de cianobacterias y un mejor entendimiento de su presencia en ecosistemas acuáticos.

This Master’s Thesis focuses on the identification and analysis of cyanobacteria in bodies of wáter using image processing tools and deep learning techniques. Based on the hypothesis that cyano-bacteria alter the pixel distribution in the green and blue channels of the RGB spectrum and in the saturation channel of the HSV spectrum, image analyses were developed. Semantic segmentation models DeepLabV3+ and U-Net++ were implemented to segment images of water bodiesand cyanobacteria. The study was divided into two phases: first, the analysis of water images using DeepLabV3+, and second, the analysis of images with cyanobacteria using U-Net++. Image analysis tools were developed and applied for both phases, allowing for precise identification of cyanobacteria and a better understanding of their presence in aquatic ecosystems.