Deep learning híbrido
modelo de conjunto difuso de imágenes para monitorear el comportamiento humano en la protección forestal
Introducción: este artículo es producto de la investigación “Monitoreo del comportamiento humano en la protección forestal” desarrollada en la Universidad de Ciencia y Tecnología de Hanoi en el 2021.
Objetivo: este artículo presenta un nuevo enfoque utilizando el deep learning integrado con un conjunto difuso de imágenes (Picture Fuzzy Set), para un sistema de monitoreo de vigilancia para identificar el comportamiento humano en tiempo real con el propósito de proteger bosques.
Metodología: el trabajo tiene un enfoque novedoso que utiliza el deep learning con gráficos de conocimiento para detectar humanos en grandes conjuntos de datos, incluida la búsqueda de un perfil humano. En el modelo propuesto, los perfiles humanos digitales se recopilan de bases de datos convencionales combinadas con redes sociales en tiempo real, y se crea un gráfico de conocimiento para representar atributos de usuario relacionales complejos de perfiles humanos en grandes conjuntos de datos. Se aplican Picture Fuzzy Graphs (PFG) para cuantificar el grado de centralidad de los nodos. El modelo propuesto ha sido probado con conjuntos de datos a través de estudios de caso de un bosque.
Resultados: Los resultados experimentales muestran que el modelo propuesto ha sido validado en conjuntos de datos del mundo real para demostrar la efectividad de este método. El conjunto de datos incluye 93.979 identidades de un total de 2.830.146 imágenes procesadas que identifican la detección de rostros. En un estudio de caso de protección forestal en video, se considera que un ser humano se comporta normalmente en el sistema propuesto.
Conclusión: se ha demostrado la efectividad de la base teórica para el deep learning integrado con una base de datos de gráficos, para demostrar comportamientos humanos mediante el seguimiento de perfiles con el propósito de proteger los bosques.
Cómo citar
Licencia
Derechos de autor 2022 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
C. Yuan, Z. Liu, and Y. Zhang, Vision-based Forest fire detection in aerial images for firefighting using UAVs. In 2016 International Conference on Unmanned Aircraft Systems (ICUAS). pp. 1200-1205. doi: 10.1109/ICUAS.2016.7502546.
C. Yuan, Z. Liu, and Y. Zhang, UAV-based forest fire detection and tracking using image processing techniques. In 2015 International Conference on Unmanned Aircraft Systems (ICUAS), pp. 639-643. doi: 10.1109/ICUAS.2015.7152345.
Y. Chen, Y. Zhang, J. Xin, Y. Yi, D. Liu and H. Liu, A UAV-based Forest Fire Detection Algorithm Using Convolutional Neural Network, 2018 37th Chinese Control Conference (CCC), 2018, pp. 10305-10310. doi: 10.23919/ChiCC.2018.8484035.
S. Sudhakar, V. Vijayakumar, C. Sathiya Kumar, V. Priya, Logesh Ravi, V. Subramaniyaswamy, “Unmanned Aerial Vehicle (UAV) based Forest Fire Detection and monitoring for reducing false alarms in forest-fires,” Computer Communications, vol. 149, pp. 1–16. doi: 10.1016/j.comcom.2019.10.007.
A. Martins, J. Almeida, C. Almeida, A. Figueiredo, F. Santos, D. Bento, and E. Silva, “Forest fire detection with a small fixed wing autonomous aerial vehicle,” IFAC Proceedings Volumes, vol. 40, no. 15, pp. 168-173, 2007. doi: 10.3182/20070903-3-FR-2921.00031.
P. Moore and H. Van Pham, On Context and the Open World Assumption, 2015 IEEE 29th International Conference on Advanced Information Networking and Applications Workshops, Gwangju, Korea (South), 2015, pp. 387-392. doi: 10.1109/WAINA.2015.7.
R. Poppe, “A survey on vision-based human action recognition,” Image and vision computing, vol. 28, no. 6, pp. 976-990, 2010. doi: 10.1016/j.imavis.2009.11.014.
S. Han, and S. Lee, “A vision-based motion capture and recognition framework for behaviour-based safety management,” Automation in Construction, vol. 35, pp. 131-141, 2013. doi: 10.1016/j.autcon.2013.05.001.
N. Zerrouki, F. Harrou, Y. Sun and A. Houacine, “Vision-Based Human Action Classification Using Adaptive Boosting Algorithm,” IEEE Sensors Journal, vol. 18, no. 12, pp. 5115-5121, 2018. doi: 10.1109/JSEN.2018.2830743..
L. Meng, Design of Forest Fire Detection Algorithm Based on Machine Vision, 2021 International Conference on Electronic Information Technology and Smart Agriculture (ICEITSA), 2021, pp. 117-121. doi: 10.1109/ICEITSA54226.2021.00031.
P. Moore and H. V. Pham, Intelligent Context with Decision Support under Uncertainty, 2012 Sixth International Conference on Complex, Intelligent, and Software Intensive Systems, Palermo, Italy, 2012, pp. 977-982. doi: 10.1109/CISIS.2012.17.
H. V. Pham, V. T. Nguyen, A Novel Approach using Context Matching Algorithm and Knowledge Inference for User Identification in Social Networks, Proc. of the 4th International Conference on Machine Learning and Soft Computing, pp. 149-153. doi: 10.1145/3380688.3380708
H. Pham, P. Moore, K. D. Tran, Context matching with reasoning and decision support using hedge algebra with Kansei evaluation, SoICT '14: Proceedings of the Fifth Symposium on Information and Communication Technology, 2014, pp. 202–210. doi: 10.1145/2676585.2676598
Trillion Pairs Dataset. [Online]. Available: http://trillionpairs.deepglint.com/overview
MS1M-ArcFace. [Online]. Available: https://github.com/deepinsight/insightface/wiki/Dataset-Zoo
Labelled Faces in the Wild Dataset. [Online]. Available: http://vis-www.cs.umass.edu/lfw/
AgeDB-30 Dataset. [Online]. Available: https://ibug.doc.ic.ac.uk/resources/agedb/
Celebrities in Frontal-Profile in the Wild Dataset. [Online]. Available: http://www.cfpw.io/
H. V. Pham, Q. H. Nguyen, “Intelligent IoT Monitoring System Using Rule-Based for Decision Supports in Fired Forest Images,” Industrial Networks and Intelligent Systems, vol. 379, no. XII, 514, pp. 367 – 378. doi: 10.1007/978-3-030-77424-0_30
B. C. Cuong and V. H. Pham, Some Fuzzy Logic Operators for Picture Fuzzy Sets, 2015 Seventh International Conference on Knowledge and Systems Engineering (KSE), 2015, pp. 132-137. doi: 10.1109/KSE.2015.20..
B. C. Cuong and V. Kreinovich, Picture fuzzy sets - A new concept for computational intelligence problems, 2013 Third World Congress on Information and Communication Technologies (WICT 2013), 2013, pp. 1-6. doi: 10.1109/WICT.2013.7113099.
U. Erkan, A. Toktas, S. Enginoğlu, E. Akbacak, and D. N. H. Thanh, “An image encryption scheme based on chaotic logarithmic map and key generation using deep CNN,” Multimedia Tools Appl, vol. 81, no. 5 (Feb 2022), pp. 7365–7391. doi: https://doi.org/10.1007/s11042-021-11803-1
T. T. Truong, N. H. T. Dang, Q. H. Nguyen, “A Dish Recognition Framework Using Transfer Learning,” IEEE Access, vol. 10, pp. 7793-7799. doi: 10.1109/ACCESS.2022.3143119.
