2026-06-29T02:48:54Zhttps://docta.ucm.es/rest/oai/request

oai:docta.ucm.es:20.500.14352/1256512025-11-04T00:51:31Zcom_20.500.14352_1col_20.500.14352_8

00925njm 22002777a 4500 dc Padilla Pérez, Mario author 2025 Este trabajo aborda la clasificación de cantos de aves mediante técnicas de aprendizaje automático usando redes neuronales convolucionales (CNN) aplicadas a representaciones espectrales del sonido en forma de espectrogramas de Mel. Debido a la escasez de datos, se recurre al aprendizaje por transferencia (Transfer-learning) para el entrenamiento de las arquitecturas. La arquitectura del clasificador se ha determinado mediante técnicas de búsqueda evolutiva; en concreto, a través de un algoritmo genético diseñado para optimizar el rendimiento de la red. Como parte del proceso, se ha construido una base de datos desde cero, implementando técnicas de curado como aumentación y filtrado de datos. Finalmente, se desplegaron tres de los modelos finales en un sistema embebido (NVIDIA Jetson Nano), donde se evaluó su rendimiento como estudio preliminar de la viabilidad previo al despliegue final. This study addresses the bird sound classification topic using machine learning techniques, specifically convolutional neural networks (CNN) applied to spectral representations of the sound in the form of Mel spectrograms. Due to data scarcity, transfer learning is employed to train the architectures. The classifier architecture was determined using evolutionary search techniques, specifically a genetic algorithm designed to optimize network performance. As part of the process, a database was built from scratch, incorporating data curation techniques such as augmentation and noise filtering. Finally, three of the final models were deployed on an embedded platform (NVIDIA Jetson Nano), where their performance was evaluated as a preliminary assessment of feasibility for the final deployment. https://hdl.handle.net/20.500.14352/125651 Desarrollo de proyectos de IoT que implementen ML/IA en sistemas empotrados Development of IoT Projects Implementing ML/AI in Embedded Systems