Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.

[ES] En un contexto de rápida y continua expansión de la acuicultura, comienza a tomar protagonismo el uso de los modelos de deep learning, también conocidos como modelos de aprendizaje profundo. Esta nueva técnica, se basa en redes neuronales profundas, las cuales se encargan de simular el cerebro...

Descripción completa

Detalles Bibliográficos
Autor: Climent de Kok, Alejandro Manuel
Tipo de recurso: tesis de maestría
Fecha de publicación:2025
País:España
Institución:Universitat Politècnica de València (UPV)
Repositorio:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Idioma:español
OAI Identifier:oai:riunet.upv.es:10251/225836
Acceso en línea:https://riunet.upv.es/handle/10251/225836
Access Level:acceso abierto
Palabra clave:Deep learning
Redes neuronales profundas
Dataset
Lubinas (Dicentrarchus labrax)
Bounding boxes.
Deep neural networks
Sea bass (Dicentrarchus labrax)
Dicentrarchus labrax
Máster Universitario en Evaluación y Seguimiento Ambiental de Ecosistemas Marinos y Costeros-Màster Universitari en Avaluació i Seguiment Ambiental d&apos
Ecosistemes Marins i Costaners
id ES_72f209fef7ff16a9409085e4d3abcd4e
oai_identifier_str oai:riunet.upv.es:10251/225836
network_acronym_str ES
network_name_str España
repository_id_str
spelling Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.Compilation and generation of data for the training and validation of deep learning models in aquaculture: Dicentrarchus labrax.Recopilació i generació de dades per a l&aposentrenament i validació de models de deep learning en aqüicultura: Dicentrarchus labrax.Climent de Kok, Alejandro ManuelDeep learningRedes neuronales profundasDatasetLubinas (Dicentrarchus labrax)Bounding boxes.Deep neural networksSea bass (Dicentrarchus labrax)Dicentrarchus labraxMáster Universitario en Evaluación y Seguimiento Ambiental de Ecosistemas Marinos y Costeros-Màster Universitari en Avaluació i Seguiment Ambiental d&aposEcosistemes Marins i Costaners[ES] En un contexto de rápida y continua expansión de la acuicultura, comienza a tomar protagonismo el uso de los modelos de deep learning, también conocidos como modelos de aprendizaje profundo. Esta nueva técnica, se basa en redes neuronales profundas, las cuales se encargan de simular el cerebro humano, consiguiendo procesar grandes volúmenes de datos y detectar patrones complejos. Presenta una gran aplicabilidad al campo de la acuicultura, destacando el monitoreo y reconocimiento de especies, detección y predicción temprana de enfermedades, desarrollo de una alimentación inteligente o incluso la estimación de biomasa y crecimiento. En este estudio se planteó el desarrollo de un dataset a partir de la creación de datos, mediante el etiquetado de imágenes de juveniles y alevines de lubina en un estanque de condiciones controladas. Posteriormente, este dataset fue evaluado utilizando parámetros y criterios de evaluación, como el índice Kappa de Cohen o el Interseccion over Union (IoU), permitiéndonos determinar la calidad y fiabilidad de los datos generados. Por otra parte, también se compararon parte de los datos del dataset con unos datos de referencia, consiguiendo un alto grado de concordancia, lo que respalda la fiabilidad y validez del conjunto de datos utilizado.[EN] In a context of rapid and continuous expansion of aquaculture, the use of deep learning models, also known as deep learning models, is beginning to take center stage. This new technique is based on deep neural networks, which are responsible for simulating the human brain, managing to process large volumes of data and detect complex patterns. It presents a great applicability to the field of aquaculture, highlighting the monitoring and recognition of species, detection and early prediction of diseases, development of intelligent feeding or even the estimation of biomass and growth. In this study, the development of a dataset was proposed based on the creation of data through the labeling of images of juvenile and fry of sea bass in a pond under controlled conditions. Subsequently, this dataset was evaluated using parameters and evaluation criteria, such as Cohen's Kappa index or the Intersection over Union (IoU), allowing us to determine the quality and reliability of the data generated. On the other hand, part of the dataset data were also compared with reference data, achieving a high degree of concordance, which supports the reliability and validity of the dataset used.Universitat Politècnica de ValènciaPérez Arjona, IsabelMorell Monzó, SergioDepartamento de Física AplicadaEscuela Politécnica Superior de GandiaInstituto de Investigación para la Gestión Integrada de Zonas CosterasRepositorio Institucional de la Universitat Politècnica de València Riunet20252025-09-1220252025-07-21master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttps://riunet.upv.es/handle/10251/225836reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valénciainstname:Universitat Politècnica de València (UPV)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Reserva de todos los derechoshttp://rightsstatements.org/vocab/InC/1.0/info:eu-repo/semantics/openAccessoai:riunet.upv.es:10251/2258362026-06-13T07:49:27Z
dc.title.none.fl_str_mv Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
Compilation and generation of data for the training and validation of deep learning models in aquaculture: Dicentrarchus labrax.
Recopilació i generació de dades per a l&apos
entrenament i validació de models de deep learning en aqüicultura: Dicentrarchus labrax.
title Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
spellingShingle Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
Climent de Kok, Alejandro Manuel
Deep learning
Redes neuronales profundas
Dataset
Lubinas (Dicentrarchus labrax)
Bounding boxes.
Deep neural networks
Sea bass (Dicentrarchus labrax)
Dicentrarchus labrax
Máster Universitario en Evaluación y Seguimiento Ambiental de Ecosistemas Marinos y Costeros-Màster Universitari en Avaluació i Seguiment Ambiental d&apos
Ecosistemes Marins i Costaners
title_short Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
title_full Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
title_fullStr Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
title_full_unstemmed Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
title_sort Recopilación y generación de datos para el entrenamiento y validación de modelos de deep learning en acuicultura: Dicentrarchus labrax.
dc.creator.none.fl_str_mv Climent de Kok, Alejandro Manuel
author Climent de Kok, Alejandro Manuel
author_facet Climent de Kok, Alejandro Manuel
author_role author
dc.contributor.none.fl_str_mv Pérez Arjona, Isabel
Morell Monzó, Sergio
Departamento de Física Aplicada
Escuela Politécnica Superior de Gandia
Instituto de Investigación para la Gestión Integrada de Zonas Costeras
Repositorio Institucional de la Universitat Politècnica de València Riunet
dc.subject.none.fl_str_mv Deep learning
Redes neuronales profundas
Dataset
Lubinas (Dicentrarchus labrax)
Bounding boxes.
Deep neural networks
Sea bass (Dicentrarchus labrax)
Dicentrarchus labrax
Máster Universitario en Evaluación y Seguimiento Ambiental de Ecosistemas Marinos y Costeros-Màster Universitari en Avaluació i Seguiment Ambiental d&apos
Ecosistemes Marins i Costaners
topic Deep learning
Redes neuronales profundas
Dataset
Lubinas (Dicentrarchus labrax)
Bounding boxes.
Deep neural networks
Sea bass (Dicentrarchus labrax)
Dicentrarchus labrax
Máster Universitario en Evaluación y Seguimiento Ambiental de Ecosistemas Marinos y Costeros-Màster Universitari en Avaluació i Seguiment Ambiental d&apos
Ecosistemes Marins i Costaners
description [ES] En un contexto de rápida y continua expansión de la acuicultura, comienza a tomar protagonismo el uso de los modelos de deep learning, también conocidos como modelos de aprendizaje profundo. Esta nueva técnica, se basa en redes neuronales profundas, las cuales se encargan de simular el cerebro humano, consiguiendo procesar grandes volúmenes de datos y detectar patrones complejos. Presenta una gran aplicabilidad al campo de la acuicultura, destacando el monitoreo y reconocimiento de especies, detección y predicción temprana de enfermedades, desarrollo de una alimentación inteligente o incluso la estimación de biomasa y crecimiento. En este estudio se planteó el desarrollo de un dataset a partir de la creación de datos, mediante el etiquetado de imágenes de juveniles y alevines de lubina en un estanque de condiciones controladas. Posteriormente, este dataset fue evaluado utilizando parámetros y criterios de evaluación, como el índice Kappa de Cohen o el Interseccion over Union (IoU), permitiéndonos determinar la calidad y fiabilidad de los datos generados. Por otra parte, también se compararon parte de los datos del dataset con unos datos de referencia, consiguiendo un alto grado de concordancia, lo que respalda la fiabilidad y validez del conjunto de datos utilizado.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-09-12
2025
2025-07-21
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://riunet.upv.es/handle/10251/225836
url https://riunet.upv.es/handle/10251/225836
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reserva de todos los derechos
http://rightsstatements.org/vocab/InC/1.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Reserva de todos los derechos
http://rightsstatements.org/vocab/InC/1.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de València
publisher.none.fl_str_mv Universitat Politècnica de València
dc.source.none.fl_str_mv reponame:RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
instname:Universitat Politècnica de València (UPV)
instname_str Universitat Politècnica de València (UPV)
reponame_str RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
collection RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869410773303820288
score 15,81155

Similares en LA Referencia