CLASIFICACIÓN AUTOMATIZADA DE ESPECIES DE VIDA SILVESTRE EN ÁREAS PROTEGIDAS A PARTIR DE IMÁGENES DE CÁMARAS TRAMPA -- 1 Resumen -- 4 Agradecimientos -- 5 Tabla de Contenido -- 6 1.Título -- 8 2.Definición del problema -- 9 2.1 Antecedentes del problema -- 9 2.2 Enunciado del problema -- 13 3.Justificación -- 14 4.Objetivos del Proyecto -- 16 4.1 Objetivo general -- 16 4.2 Objetivos específicos --16 5.Marco de Referencia -- 17 5.1 Marco teórico -- 17 5.2 Marco conceptual -- 19 5.3 Marco legal -- 20 6.Estado del arte -- 22 7.Diseño metodológico -- 28 7.1 Hipótesis -- 28 7.2 Tipo de investigación -- 28 7.3 Población -- 28 7.4 Muestra -- 29 7.5 Variables -- 29 7.6 Diseño de instrumentos para recolección de información -- 29 7.7 Descripción metodológica del proceso de desarrollo de cada uno de los objetivos específicos -- 29 8.Desarrollo de los objetivos -- 31 7 8.1 Desarrollo Objetivo 1, (OB1): Creación del dataset y fundamentación bibliográfica -- 31 8.2 Desarrollo Objetivo 2, (OB2): Evaluación de ResNet-50 -- 56 8.3 Desarrollo Objetivo 3, (OB3): Validación estadística de la metodología -- 80 9.Resultados del Proyecto -- 103 9.1. Solución de la hipótesis y del objetivo general -- 103 9.2. Solución del Objetivo Específico 1 (OB1): Creación del dataset y fundamentación bibliográfica -- 103 9.3. Solución del Objetivo Específico 2 (OB2): Evaluación de ResNet-50 -- 105 9.4. Solución del Objetivo Específico 3 (OB3): Validación estadística de la metodología -- 105 10.Conclusiones y Recomendaciones -- 107 10.1. Resultados -- 107 10.2. Conclusiones -- 108 10.3 Recomendaciones finales -- 109 11.Bibliografía -- 111

El presente estudio aborda la clasificación automatizada de especies silvestres captadas por cámaras trampa en bosques protegidos andinos. Esta investigación propone una metodología para automatizar la identificación de 9 mamíferos en áreas protegidas de la región andina de Colombia, combinando redes neuronales convolucionales y un dataset curado de 25 imágenes de cámaras trampa por especie. Se desarrolló un dataset anotado con nueve especies de interés ecológico, aplicando Transfer Learning en un modelo ResNet-50 con aprendizaje por transferencia, logrando porcentajes de acierto superiores al 75% en las pruebas finales. Posteriormente, se optimizaron los resultados con técnicas de aumento de datos, y se comparó el desempeño con otros modelos (AlexNet, VGG). Los resultados evidencian que el uso de redes profundas con data augmentation mejora la precisión de la clasificación en ambientes con datos limitados. Este enfoque ofrece bases sólidas para una validación estadística más amplia y la toma de decisiones en proyectos de conservación.

: figuras, tablas

Especialización