TUSA, Eduardo et al. Comparación de algoritmos de máquinas de aprendizaje para la detección de arrecife de coral. []. , 5, 3, pp.45-56. ISSN 1390-6542.  https://doi.org/10.29019/enfoqueute.v5n3.43.

^a

El presente trabajo se enfoca en el desarrollo de un detector de coral de desempeño rápido que se utiliza para un vehículo autónomo submarino (AUV, por sus siglas en inglés). Una detección rápida de coral garantiza la estabilización del AUV en las cercanías del arrecife de coral en el menor tiempo posible, evitando que la desorientación del AUV destruya al arrecife. En este trabajo se usó la investigación de Purser, Bergmann, Lundälv, Ontrup, & Nattkemper (2009), por su precisión. Este detector consta de una parte de extracción de vectores característicos, la cual se realiza con filtros Gabor Wavelets; y una parte de clasificación de vectores que usa máquinas de aprendizaje, basado en Redes Neuronales. Debido al extenso tiempo de ejecución de las Redes Neuronales, se reemplazaron por un algoritmo de clasificación basado en Árboles de Decisión. Se utilizó una base de datos de 621 imágenes de corales de Belice (110 imágenes de entrenamiento y 511 imágenes de prueba). Se implementó un banco de filtros Gabor Wavelets utilizando C++ y la librería OpenCV. Se realizó la comparación de la precisión y el tiempo de ejecución de 9 algoritmos de máquinas de aprendizaje, cuyo resultado fue la selección del algoritmo de Árboles de Decisión. Nuestro detector de coral posee un tiempo de ejecución de 70ms en comparación con 22s desarrollados por el algoritmo de Purser et al. (2009).

This work focuses on developing a fast coral reef detector, which is used for an autonomous underwater vehicle, AUV. A fast detection secures the AUV stabilization respect to an area of reef as fast as possible, and prevents devastating collisions. We use the algorithm of Purser et al. (2009) because of its precision. This detector has two parts: feature extraction that uses Gabor Wavelet filters, and feature classification that uses machine learning based on Neural Networks. Due to the extensive time of the Neural Networks, we exchange for a classification algorithm based on Decision Trees. We use a database of 621 images of coral reef in Belize (110 images for training and 511 images for testing). We implement the bank of Gabor Wavelets filters using C++ and the OpenCV library. We compare the accuracy and running time of 9 machine learning algorithms, whose result was the selection of the Decision Trees algorithm. Our coral detector performs 70ms of running time in comparison to 22s executed by the algorithm of Purser et al. (2009).

: .

        · | |     · |     · ( pdf )