Medellín - Minas - Maestría en Ingeniería - Ingeniería de Sistemas · 2026
Método para la detección de aves en espacios naturales y no naturales basado en técnicas de machine learning
La observación y el monitoreo de aves desempeñan un papel fundamental en el estudio y la conservación de la biodiversidad, ya que estas especies actúan como indicadores sensibles de los cambios ambientales. Sin embargo, detectar aves de manera confiable a partir de imágenes sigue siendo una tarea compleja. Las aves pueden aparecer en escenarios muy diversos, desde bosques densos y paisajes naturales abiertos hasta entornos urbanos dominados por construcciones humanas. A esta diversidad de contextos se suman factores como la variación en iluminación, el tamaño reducido de muchas especies, las oclusiones parciales y la similitud visual con el fondo, lo que dificulta su detección automática mediante métodos convencionales. En los últimos años, las técnicas de aprendizaje automático y, en particular, los modelos de Deep Learning han mostrado un gran potencial para abordar problemas complejos de visión por computador. No obstante, en aplicaciones reales de monitoreo ambiental persisten desafíos importantes relacionados con la robustez de los modelos, su capacidad para generalizar a distintos entornos y el equilibrio entre precisión y costo computacional. En este contexto, surge la necesidad de enfoques que no dependan de un único modelo, sino que combinen diferentes perspectivas del análisis visual para lograr decisiones más confiables. Este trabajo se enmarca en dicha necesidad y presenta un método de Machine Learning para la detección de aves en imágenes provenientes de entornos naturales y no naturales. La propuesta se apoya en una estrategia de dos etapas complementarias. En una primera etapa, la imagen completa es examinada de manera amplia para localizar regiones que puedan contener aves, utilizando un detector de objetos del tipo YOLO (You Only Look Once), en su versión YOLOv8n. En una segunda etapa, estas regiones son analizadas con mayor detalle mediante una red neuronal convolucional binaria, cuyo propósito es confirmar o descartar la presencia de un ave. Esta división del proceso permite aprovechar la rapidez y cobertura del detector inicial, al tiempo que se refuerza la confiabilidad de la decisión final. Para el desarrollo y evaluación del método se emplearon imágenes del subconjunto bird del dataset Open Images V7, balanceadas entre contextos naturales y no naturales. Con el fin de integrar coherentemente la información proveniente de ambos modelos, las salidas probabilísticas se calibran y se combinan en una única predicción por imagen mediante un esquema de ensamble. Esta integración está orientada a favorecer la estabilidad del sistema frente a escenarios visualmente complejos, a reducir errores en casos difíciles y a mantener un desempeño consistente en distintos tipos de entorno. La evaluación del método se realiza siguiendo un protocolo reproducible y apoyándose en métricas ampliamente aceptadas en la literatura, lo que permite analizar de manera sistemática el comportamiento del sistema y compararlo con enfoques relevantes reportados en trabajos previos. Los resultados obtenidos muestran que la combinación de una búsqueda amplia con una verificación posterior contribuye a mejorar la robustez del proceso de detección y a ofrecer un balance adecuado entre calidad de los resultados y eficiencia computacional. Cuantitativamente, en la validación principal el ensamble con Gating Bidireccional alcanzó una Accuracy de 0.9783 (97.83 %), Precision de 0.9714, Recall de 0.9855 y F1-score de 0.9784, con solo 3 errores sobre 138 imágenes evaluadas (2 falsos positivos y 1 falso negativo), manteniendo un AUC cercano a 0.93. Además, en una validación externa independiente (200 imágenes de CUB-200-2011 y MS-COCO), obtuvo Accuracy de 0.945, Precision de 0.901, Recall de 1.000, F1-score de 0.948 y AUC de 0.997, lo que respalda la capacidad de generalización del método. En conjunto, este trabajo busca aportar un enfoque práctico y fundamentado para la detección automática de aves en imágenes, con potencial de aplicación en escenarios reales de monitoreo ambiental, conservación de la biodiversidad y análisis ecológico asistido por computadora. (Texto tomado de la fuente)