Implementación de un detector de coral utilizando filtros Gabor Wavelets y máquinas de aprendizaje

Abstract

RESUMEN Este trabajo se enfoca en la implementación de un detector de arrecife de coral de desempeño rápido que se utiliza para un vehículo autónomo submarino (Autonomous Underwater Vehicle, AUV, por sus siglas en inglés). Una detección rápida de la presencia de coral asegura la estabilización del AUV frente al arrecife en el menor tiempo posible, evitando colisiones con el coral. La detección de coral se hace en una imagen que captura la escena que percibe la cámara del AUV. Se realiza una clasificación píxel por píxel entre dos clases: arrecife de coral y el plano de fondo que no es coral. A cada píxel de la imagen se le asigna un vector característico, el mismo que se genera mediante el uso de filtros Gabor Wavelets. Éstos son implementados en C++ y la librería OpenCV. Los vectores característicos son clasificados a través de nueve algoritmos de máquinas de aprendizaje. El desempeño de cada algoritmo se compara mediante la precisión y el tiempo de ejecución. El algoritmo de Árboles de Decisión resultó ser el más rápido y preciso de entre todos los algoritmos. Se creó una base de datos de 621 imágenes de corales de Belice (110 imágenes de entrenamiento y 511 imágenes de prueba). Palabras clave: AUV, arrecife de coral, máquinas de aprendizaje, filtros Gabor Wavelets, OpenCV. ABSTRACT This work focuses on the implementation of a fast coral reef detector that is used for an Autonomous Underwater Vehicle (AUV, its acronym in English). A fast detection of the presence of coral ensures the AUV stabilization in front of coral reef in the shortest possible time, avoiding collisions with coral. The coral detection is carried out on an image that captures the scene that the AUV’s camera perceives. A pixel-by-pixel classification is performed between two classes: coral reef and the background that is non-coral reef. Each pixel of the image is assigned to a feature vector, which is generated by using Gabor Wavelet filters. These are implemented in C++ and the OpenCV library. The feature vectors are classified using nine machine learning algorithms. The performance of each algorithm is compared with the accuracy and execution time. The Decision Tree algorithm proved to be the fastest and most accurate of all the algorithms. We created a database of 621 images of coral reefs in Belize (110 of training images and 511 of testing images). Keywords: AUV, coral reef, machine learning, Gabor Wavelets filters, OpenCV.