1. DSpace en ESPOL
2. Unidades Académicas
3. Facultad de Ingeniería en Electricidad y Computación
4. Tesis de Ingeniería en Ciencias Computacionales

Title:	Reconocimiento de audios de aves del Bosque Protector La Prosperina utilizando técnicas de aprendizaje profundo
Authors:	Realpe Robalino, Miguel Andres, Director Rodríguez Motato, Tyrone Eduardo Guilindro Garcés, Adriana Brigitte
Keywords:	Reconocimiento de aves Aprendizaje profundo Bosque Protector "La Prosperina" Clustering
Issue Date:	2024
Publisher:	ESPOL. FIEC
Citation:	Rodríguez Motato, T. E. y Guilindro Garcés, A. B. (2024). Reconocimiento de audios de aves del Bosque Protector La Prosperina utilizando técnicas de aprendizaje profundo. [Proyecto Integrador]. ESPOL. FIEC, Guayaquil. 55p.
Description:	Este proyecto se centra en desarrollar un sistema innovador para la conservación y comprensión de la biodiversidad aviar en el ecosistema del Bosque Protector "La Prosperina" en Ecuador. Implementa técnicas avanzadas de aprendizaje profundo, específicamente utilizando un enfoque de auto decodificadores variables (VAEs) y Agrupamiento. Se aplican técnicas de preprocesamiento, como la separación de señales de ruido, y se diseñan modelos basados en auto decodificadores variables variacionales para extraer características significativas de los espectrogramas de Mel. El modelo entrenado demuestra habilidades excepcionales para identificar especies de aves amenazadas, con resultados positivos en las métricas de evaluación y altas tasas de precisión. Además de beneficiar a los conservacionistas al proporcionar herramientas efectivas y económicamente viables para el monitoreo de especies y comportamientos aviares, el proyecto tiene aplicaciones más amplias, incluida la conciencia ambiental y educación. Palabras claves: Reconocimiento de aves, Aprendizaje profundo, Bosque Protector "La Prosperina", VAEs, Clustering
metadata.dc.description.abstractenglish:	This project focuses on developing an innovative system for the conservation and understanding of avian biodiversity in the ecosystem of the "La Prosperina" Protective Forest in Ecuador. It implements advanced deep learning techniques, specifically utilizing a variational autoencoder and clustering approach. Preprocessing techniques, such as noise signal separation, are applied, and variational autoencoder models are designed to extract meaningful features from Mel spectrograms. The trained model demonstrates exceptional abilities to identify threatened bird species, with positive results in the evaluation metrics and high accuracy rates. In addition to benefiting conservationists by providing effective and economically viable tools for monitoring bird species and behaviors, the project has broader applications, including environmental awareness and education. Keywords: Birds Species identification, Deep Learning, La Prosperina Protective Forest, VAEs, Clustering
URI:	http://www.dspace.espol.edu.ec/handle/123456789/60599
metadata.dc.identifier.codigoproyectointegrador:	TECH-337
Appears in Collections:	Tesis de Ingeniería en Ciencias Computacionales

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.