Please use this identifier to cite or link to this item:
https://repositorio.uco.edu.co/jspui/handle/20.500.13064/1407
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.rights.license | http://creativecommons.org/licenses/by/3.0/ | - |
dc.contributor.advisor | Castrillón-Osorio, Luis Reinel | spa |
dc.contributor.author | Giraldo-Jiménez, Juan José | - |
dc.contributor.author | Jimenez-Gómez, Anderson Julián | - |
dc.contributor.author | Henao-Cardona, José Miguel | - |
dc.coverage.spatial | Sudamérica, Colombia, Rionegro, Antioquia | - |
dc.date.issued | 2021-08-02 | - |
dc.identifier.uri | https://repositorio.uco.edu.co/handle/20.500.13064/1407 | - |
dc.description.abstract | La detección y seguimiento de ganado actualmente en Oriente Antioqueño es una tarea que se realiza de forma manual, para ello es necesario un esfuerzo operativo muy grande en fincas con medianas y grandes extensiones, adicionalmente en aquellas fincas se hace necesario realizar un traslado hasta el lugar donde se encuentra el ganado, es decir, representa un gran esfuerzo de los agricultores en términos de tiempo, trabajo, posibles costos de desplazamiento y exposición a las condiciones climáticas. La utilización de un modelo para detectar ganado genera un impacto positivo en la vida del agricultor que lo utiliza Este trabajo se centró en comparar dos algoritmos de última generación (Mask-R CNN y Detectron2) a través de fotografías tomadas con una cámara de video de un dron. Los videos se recolectaron mediante drones capturando vacas en campo abierto, luego se muestreó el video para que se obtuvieran imágenes, se construyó un conjunto de datos obteniendo alrededor de 1400 imágenes diferentes. Luego, se aplicó el aprendizaje por transferencia con el modelo Mask-RCNN y uno un poco más reciente, Detectron2. Todo el trabajo intenta mostrar la conveniencia del uso de modelos de aprendizaje automático basados en redes neuronales para el seguimiento del ganado. | spa |
dc.format.extent | 37 | es_ES |
dc.format.mimetype | application/pdf | es_ES |
dc.language.iso | spa | es_ES |
dc.rights | info:eu-repo/semantics/openAccess | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/2.5/co/ | * |
dc.subject | Mask RCNN | es_ES |
dc.subject | Detectron2 | es_ES |
dc.subject | Mchine Learning | es_ES |
dc.subject | Conteo de Vacas | es_ES |
dc.subject | Monitoreo de Vacas | es_ES |
dc.subject | Ganado | es_ES |
dc.subject | Vacas | es_ES |
dc.subject | Deep Learning | es_ES |
dc.subject | Inteligencia Artificial | es_ES |
dc.title | Construcción de un modelo de detección de ganado bovino en el Oriente Antioqueño, mediante el sistema de visión de un dron usando algoritmos modernos de detección de objetos | es_ES |
dc.title.alternative | Cattle detection through the vision system of a drone using modern object detection algorithms in Oriente Antioqueño | es_ES |
dc.type | Bachelor thesis | es_ES |
dc.description.abstractenglish | Detection and cattle monitoring currently in Oriente Antioqueño is a task which is done "manually", for this is necessary a very big operative effort in farms with medium and large extensions, additionally in those farms it becomes necessary make a move until the place where cattle is, it represents a big effort from the farmers in terms of time, work, possible costs of displacement and exposure to weather conditions. The utilization of a model to detect cattle generates a positive impact in the farmer's life who uses it This article was focused on comparing two state-of-the-art algorithms (Mask-R CNN and Detectron2) through photographs taken from a drone video camera. The videos were collected by means of drones capturing cows in an open field, then the video was sampled so that images were obtained, a data set was built obtaining about 1400 different images. Then, transfer learning was applied with the Mask-RCNN model and a slightly more recent one, Detectron2. All the work tries to show the convenience of the use of machine learning models based on neural networks for the monitoring of cattle | en |
dc.subject.subjectenglish | Cattle Counting | es_ES |
dc.subject.subjectenglish | Cows | es_ES |
dc.subject.subjectenglish | Cattle Monitoring | es_ES |
dc.subject.subjectenglish | Deep Learning | es_ES |
dc.subject.subjectenglish | Machine Learning | es_ES |
dc.subject.subjectenglish | Artificial Intelligence | es_ES |
dc.subject.subjectenglish | Mask R-CNN | es_ES |
dc.subject.subjectenglish | Detectron2 | es_ES |
dc.subject.lemb | Aprendizaje automático | es_ES |
dc.subject.lemb | Aprendizajes con máquinas | es_ES |
dc.subject.lemb | Inteligencia artificial | es_ES |
dc.subject.lemb | Ingeniería computacional | es_ES |
dc.subject.lemb | Comunicación en red | es_ES |
dc.type.hasversion | info:eu-repo/semantics/acceptedVersion | spa |
dc.audience | Interés General | spa |
dc.rights.accessrights | Open Access | spa |
dc.rights.spa | Acceso abierto | spa |
dc.rights.cc | Atribución-NoComercial-SinDerivadas 2.5 Colombia | * |
dc.publisher.department | Ingeniería | es_ES |
dc.publisher.program | Ingeniería de Sistemas | es_ES |
dc.description.city | Rionegro | es_ES |
dc.contributor.corpauthor | Universidad Católica de Oriente. Facultad de Ingeniería | es_ES |
dc.identifier.bibliographicCitation | Giraldo Jiménez, Juan José; Jimenez Gómez, Anderson Julián; Henao Cardona, José Miguel. Construcción de un modelo de detección de ganado bovino en el Oriente Antioqueño, mediante el sistema de visión de un dron usando algoritmos modernos de detección de objetos (Trabajo de grado) Rionegro, Antioquia: Universidad Católica de Oriente; 2020. 37p. | es_ES |
dc.type.driver | info:eu-repo/semantics/report | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_46ec | spa |
dc.type.redcol | https://purl.org/redcol/resource_type/TP | spa |
dc.type.local | Tesis/Trabajo de grado - Monografía – Especialización | spa |
Appears in Collections: | Ingeniería de sistemas |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Trabajo de grado.pdf | 1.43 MB | Adobe PDF | View/Open | |
Autorización de depósito.pdf Until 2050-12-31 | 253.16 kB | Adobe PDF | View/Open Request a copy |
This item is licensed under a Creative Commons License