Detección y análisis de huellas de tortugas en imágenes utilizando Deep Learning

Abstract

Este estudio desarrolla un sistema automatizado fundamentado en modelos de aprendizaje profundo avanzados, tales como YOLOv8 y U-Net, con el objetivo de identificar y segmentar las huellas de tortugas en imágenes de su entorno natural. El propósito es perfeccionar las estrategias de conservación a través de instrumentos tecnológicos que potencien la exactitud y eficacia del monitoreo. YOLOv8 se distingue por su habilidad para realizar detección en tiempo real rápida y precisa, lo que resulta idóneo para contextos dinámicos. La funcionalidad de U-Net se potencia mediante segmentaciones meticulosas, lo que simplifica el análisis granular de las áreas ocupadas. La incorporación de ambos modelos posibilita una estrategia híbrida que logra un equilibrio entre velocidad y precisión, optimizando los procedimientos de identificación y análisis. El sistema sugerido reemplaza los métodos manuales convencionales, lo que resulta en una reducción de costos y un incremento en la uniformidad de los resultados. Adicionalmente, se enfrentan retos técnicos tales como iluminación variable y fondos complejos a través de técnicas avanzadas de preprocesamiento, tales como la mejora del contraste y el incremento de datos. Los hallazgos demuestran que YOLOv8 y U-Net demuestran eficacia en contextos reales, facilitando la toma de decisiones basadas en datos consistentes. Esta solución no solo optimiza las iniciativas de conservación, sino que además establece un precedente para la aplicación de inteligencia artificial en la supervisión medioambiental. El sistema favorece la salvaguarda de especies amenazadas y fomenta la utilización sostenible de ecosistemas marinos, evidenciando la capacidad del aprendizaje profundo para abordar cuestiones complejas en biodiversidad y ecología.

This study develops an automated system based on advanced deep learning models, such as YOLOv8 and U-Net, aimed at identifying and segmenting turtle tracks in images of their natural environment. The purpose is to enhance conservation strategies through technological tools that improve the accuracy and efficiency of monitoring. YOLOv8 stands out for its ability to perform rapid and precise real-time detection, making it ideal for dynamic contexts. U-Net's functionality is enhanced by meticulous segmentations, simplifying the granular analysis of occupied areas. The integration of both models enables a hybrid strategy that balances speed and precision, optimizing identification and analysis processes. The proposed system replaces conventional manual methods, resulting in cost reductions and increased uniformity in results. Additionally, technical challenges such as variable lighting and complex backgrounds are addressed through advanced preprocessing techniques, including contrast enhancement and data augmentation. Findings show that YOLOv8 and U-Net are effective in real-world contexts, facilitating decision-making based on consistent data. This solution not only optimizes conservation initiatives but also sets a precedent for the application of artificial intelligence in environmental monitoring. The system supports the protection of endangered species and promotes the sustainable use of marine ecosystems, demonstrating the potential of deep learning to tackle complex issues in biodiversity and ecology.

quest estudi desenvolupa un sistema automatitzat fonamentat en models d'aprenentatge profund avançats, com ara YOLOv8 i O-Net, amb l'objectiu d'identificar i segmentar les petjades de tortugues en imatges del seu entorn natural. El propòsit és perfeccionar les estratègies de conservació a través d'instruments tecnològics que potenciïn l'exactitud i eficàcia del monitoratge. YOLOv8 es distingeix per la seva habilitat per a realitzar detecció en temps real ràpida i precisa, la qual cosa resulta idoni per a contextos dinàmics. La funcionalitat d'O-Net es potencia mitjançant segmentacions meticuloses, la qual cosa simplifica l'anàlisi granular de les àrees ocupades. La incorporació de tots dos models possibilita una estratègia híbrida que aconsegueix un equilibri entre velocitat i precisió, optimitzant els procediments d'identificació i anàlisi. El sistema suggerit reemplaça els mètodes manuals convencionals, la qual cosa resulta en una reducció de costos i un increment en la uniformitat dels resultats. Addicionalment, s'enfronten reptes tècnics com ara il·luminació variable i fons complexos a través de tècniques avançades de preprocessament, com ara la millora del contrast i l'increment de dades. Les troballes demostren que YOLOv8 i O-Net demostren eficàcia en contextos reals, facilitant la presa de decisions basades en dades consistents. Aquesta solució no sols optimitza les iniciatives de conservació, sinó que a més estableix un precedent per a l'aplicació d'intel·ligència artificial en la supervisió mediambiental. El sistema afavoreix la salvaguarda d'espècies amenaçades i fomenta la utilització sostenible d'ecosistemes marins, evidenciant la capacitat de l'aprenentatge profund per a abordar qüestions complexes en biodiversitat i ecologia