{"id":{"repo_id":"catalunya","oai_identifier":"oai:openaccess.uoc.edu:10609/152264"},"canonical_url":"https://search.dev.ndltd.org/etd/catalunya/oai:openaccess.uoc.edu:10609/152264","repository":{"repo_id":"catalunya","name":"Universitat Oberta de Catalunya","base_url":"https://openaccess.uoc.edu/server/oai/request"},"display":{"title":"Ús de deep learning i imatges de drons per a la detecció de tortugues marines en entorns naturals","abstract":"L'extracció i anàlisi d'imatges mitjançant tècniques de visió per computador s'ha fet més popular en els darrers anys. Aquestes tècniques tenen aplicacions en els àmbits científic, social, econòmic i militar. Al mateix temps, l'ús dels drons o vehicles aeris no tripulats (UAV, per les seves sigles en anglès) també s'ha estès en els darrers anys gràcies a una major accessibilitat i a les millores en les seves prestacions, fet que permet capturar imatges d'alta qualitat en diversos contextos. Aquest treball vol combinar aquestes dues tecnologies amb una finalitat mediambiental: contribuir a l'estudi i protecció de les tortugues marines en zones on es troben en perill de desaparèixer. La monitorització realitzada per humans en aquestes zones és costosa i requereix una gran quantitat d'hores de treball. L'ús d'algorismes d'aprenentatge profund requereixen menys temps i permeten a les persones dedicar les hores a tasques de més qualitat i limitar la seva intervenció en les comprovacions finals. L'objectiu del treball és obtenir resultats amb una alta precisió, minimitzar els resultats de falsos negatius i garantir que el model creat sigui fiable, aportant valor a les organitzacions implicades en la protecció de les tortugues marines, i permetent una monitorització més eficient i escalable. Això facilitaria el treball en un nombre major de regions o un volum d'enregistraments superior. S'ha utilitzat l'algorisme YOLO (You Only Look Once) per detectar tortugues marines. Per avaluar el rendiment dels models, s'han utilitzat les mètriques de precisió, sensibilitat i IoU. El resultat ha estat un model capaç de detectar tortugues amb una precisió del 83.1% i una sensibilitat del 84.8%. Tot i això, el model té dificultats per detectar tortugues en entorns més complexos i necessitaria millores addicionals per detectar-les en una gamma més àmplia de situacions.","abstract_html":"L'extracció i anàlisi d'imatges mitjançant tècniques de visió per computador s'ha fet més popular en els darrers anys. Aquestes tècniques tenen aplicacions en els àmbits científic, social, econòmic i militar. Al mateix temps, l'ús dels drons o vehicles aeris no tripulats (UAV, per les seves sigles en anglès) també s'ha estès en els darrers anys gràcies a una major accessibilitat i a les millores en les seves prestacions, fet que permet capturar imatges d'alta qualitat en diversos contextos. Aquest treball vol combinar aquestes dues tecnologies amb una finalitat mediambiental: contribuir a l'estudi i protecció de les tortugues marines en zones on es troben en perill de desaparèixer. La monitorització realitzada per humans en aquestes zones és costosa i requereix una gran quantitat d'hores de treball. L'ús d'algorismes d'aprenentatge profund requereixen menys temps i permeten a les persones dedicar les hores a tasques de més qualitat i limitar la seva intervenció en les comprovacions finals. L'objectiu del treball és obtenir resultats amb una alta precisió, minimitzar els resultats de falsos negatius i garantir que el model creat sigui fiable, aportant valor a les organitzacions implicades en la protecció de les tortugues marines, i permetent una monitorització més eficient i escalable. Això facilitaria el treball en un nombre major de regions o un volum d'enregistraments superior. S'ha utilitzat l'algorisme YOLO (You Only Look Once) per detectar tortugues marines. Per avaluar el rendiment dels models, s'han utilitzat les mètriques de precisió, sensibilitat i IoU. El resultat ha estat un model capaç de detectar tortugues amb una precisió del 83.1% i una sensibilitat del 84.8%. Tot i això, el model té dificultats per detectar tortugues en entorns més complexos i necessitaria millores addicionals per detectar-les en una gamma més àmplia de situacions.","abstract_has_math":false,"creators":["Mahamud El Jalil, Hafdal-la"],"institution":"Universitat Oberta de Catalunya (UOC)","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025-01-09","date_published":"2025-01-09","updated_at":"2026-07-27T19:06:52Z","subjects":["visió per computador","classificació automàtica","precisó","dron/s","tortugues marines","biodiversitat","protecció animal","aprenentatge profund","YOLO","deep learning","computer vision","automatic classification","Accuracy","dron/es","sea turtles","biodiversity","animal protection","visión per computador","classificación automática","precisón","tortugas marinas","biodiversidad","protección animal","aprendizaje profundo"],"languages":["cat"],"rights":["CC BY-NC-ND"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/3.0/es/"],"identifier_entries":[]},"links":{"outbound_url":"https://hdl.handle.net/10609/152264","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Acedo Nadal, Susana"]},{"key":"dc:creator","label":"Author","values":["Mahamud El Jalil, Hafdal-la"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-02-26T16:54:07Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-02-26T16:54:07Z"]},{"key":"dc:date.issued","label":"Date","values":["2025-01-09"]},{"key":"dc:publisher","label":"Institution","values":["Universitat Oberta de Catalunya (UOC)"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["visió per computador","classificació automàtica","precisó","dron/s","tortugues marines","biodiversitat","protecció animal","aprenentatge profund","YOLO","deep learning","computer vision","automatic classification","Accuracy","dron/es","sea turtles","biodiversity","animal protection","visión per computador","classificación automática","precisón","tortugas marinas","biodiversidad","protección animal","aprendizaje profundo"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["cat"]},{"key":"dc:rights","label":"Dc Rights","values":["CC BY-NC-ND"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/3.0/es/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://hdl.handle.net/10609/152264"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["L'extracció i anàlisi d'imatges mitjançant tècniques de visió per computador s'ha fet més popular en els darrers anys. Aquestes tècniques tenen aplicacions en els àmbits científic, social, econòmic i militar. Al mateix temps, l'ús dels drons o vehicles aeris no tripulats (UAV, per les seves sigles en anglès) també s'ha estès en els darrers anys gràcies a una major accessibilitat i a les millores en les seves prestacions, fet que permet capturar imatges d'alta qualitat en diversos contextos. Aquest treball vol combinar aquestes dues tecnologies amb una finalitat mediambiental: contribuir a l'estudi i protecció de les tortugues marines en zones on es troben en perill de desaparèixer. La monitorització realitzada per humans en aquestes zones és costosa i requereix una gran quantitat d'hores de treball. L'ús d'algorismes d'aprenentatge profund requereixen menys temps i permeten a les persones dedicar les hores a tasques de més qualitat i limitar la seva intervenció en les comprovacions finals. L'objectiu del treball és obtenir resultats amb una alta precisió, minimitzar els resultats de falsos negatius i garantir que el model creat sigui fiable, aportant valor a les organitzacions implicades en la protecció de les tortugues marines, i permetent una monitorització més eficient i escalable. Això facilitaria el treball en un nombre major de regions o un volum d'enregistraments superior. S'ha utilitzat l'algorisme YOLO (You Only Look Once) per detectar tortugues marines. Per avaluar el rendiment dels models, s'han utilitzat les mètriques de precisió, sensibilitat i IoU. El resultat ha estat un model capaç de detectar tortugues amb una precisió del 83.1% i una sensibilitat del 84.8%. Tot i això, el model té dificultats per detectar tortugues en entorns més complexos i necessitaria millores addicionals per detectar-les en una gamma més àmplia de situacions.","Extraction and analysis of images using computer vision techniques has become more popular in recent years. It has applications in scientific, social, economic, and military fields. At the same time, the use of drones or unmanned aerial vehicles (UAVs) has also become more widespread in recent years due to increased accessibility and improvements in their capabilities, allowing the capture of high-quality images in various contexts. This work aims to combine these two technologies with an environmental purpose: to contribute to the study and protection of sea turtles in areas where they are at risk of dissapearing. Human monitoring in these areas is costly and time-consuming. The use of deep learning algorithms requires less time and other resources and thus allows for resources to be spent on higher-quality tasks by limiting human intervention up to the point of final verification. The objective of this work is to achieve highly accurate results, minimize false negatives, and ensure that the created model is reliable and adds value to the organizations involved in the protection of sea turtles by allowing for more efficient and scalable monitoring. This would facilitate work across a larger number of regions or a higher volume of recordings. The YOLO (You Only Look Once) algorithm was used to detect sea turtles. To evaluate the performance of the models, metrics of precision, sensitivity, and IoU were used. The result was a model capable of detecting turtles with a precision of 83.1% and a sensitivity of 84.8%. However, the model struggles to detect turtles in more complex settings and would require further improvements to detect turtles in a wider range of settings.","La extracción y análisis de imágenes mediante técnicas de visión por computador se ha hecho más popular en los últimos años. Estas técnicas tienen aplicaciones en los ámbitos científico, social, económico y militar. Al mismo tiempo, el uso de los drones o vehículos aéreos no tripulados (UAV, por sus siglas en inglés) también se ha extendido en los últimos años gracias a una mayor accesibilidad y a las mejoras en sus prestaciones, hecho que permite capturar imágenes de alta calidad en varios contextos. Este trabajo quiere combinar estas dos tecnologías con una finalidad medioambiental: contribuir en el estudio y protección de las tortugas marinas en zonas donde se encuentran en peligro de desaparecer. La monitorización realizada por humanos en estas zonas es costosa y requiere una gran cantidad de horas de trabajo. El uso de algoritmos de aprendizaje profundo requieren menos tiempo y permiten a las personas dedicar las horas a tareas de más calidad y limitar su intervención en las comprobaciones finales. El objetivo del trabajo es obtener resultados con una alta precisión, minimizar los resultados de falsos negativos y garantizar que el modelo creado sea fiable, aportando valor a las organizaciones implicadas en la protección de las tortugas marinas, y permitiendo una monitorización más eficiente y escalable. Esto facilitaría el trabajo en un número mayor de regiones o un volumen de grabaciones superior. Se ha utilizado el algoritmo YOLO (You Only Look Once) para detectar tortugas marinas. Para evaluar el rendimiento de los modelos, se han utilizado las métricas de precisión, sensibilidad y IoU. El resultado ha sido un modelo capaz de detectar tortugas con una precisión del 83.1% y una sensibilidad del 84.8%. Aun así, el modelo tiene dificultades para detectar tortugas en entornos más complejos y necesitaría mejoras adicionales para detectarlas en una gama más amplia de situaciones."]},{"key":"dc:format.mimetype","label":"Dc Format Mimetype","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Ús de deep learning i imatges de drons per a la detecció de tortugues marines en entorns naturals"]}]}],"canonical_facts":{"dc:contributor.other":["Acedo Nadal, Susana"],"dc:creator":["Mahamud El Jalil, Hafdal-la"],"dc:date.accessioned":["2025-02-26T16:54:07Z"],"dc:date.available":["2025-02-26T16:54:07Z"],"dc:date.issued":["2025-01-09"],"dc:description.abstract":["L'extracció i anàlisi d'imatges mitjançant tècniques de visió per computador s'ha fet més popular en els darrers anys. Aquestes tècniques tenen aplicacions en els àmbits científic, social, econòmic i militar. Al mateix temps, l'ús dels drons o vehicles aeris no tripulats (UAV, per les seves sigles en anglès) també s'ha estès en els darrers anys gràcies a una major accessibilitat i a les millores en les seves prestacions, fet que permet capturar imatges d'alta qualitat en diversos contextos. Aquest treball vol combinar aquestes dues tecnologies amb una finalitat mediambiental: contribuir a l'estudi i protecció de les tortugues marines en zones on es troben en perill de desaparèixer. La monitorització realitzada per humans en aquestes zones és costosa i requereix una gran quantitat d'hores de treball. L'ús d'algorismes d'aprenentatge profund requereixen menys temps i permeten a les persones dedicar les hores a tasques de més qualitat i limitar la seva intervenció en les comprovacions finals. L'objectiu del treball és obtenir resultats amb una alta precisió, minimitzar els resultats de falsos negatius i garantir que el model creat sigui fiable, aportant valor a les organitzacions implicades en la protecció de les tortugues marines, i permetent una monitorització més eficient i escalable. Això facilitaria el treball en un nombre major de regions o un volum d'enregistraments superior. S'ha utilitzat l'algorisme YOLO (You Only Look Once) per detectar tortugues marines. Per avaluar el rendiment dels models, s'han utilitzat les mètriques de precisió, sensibilitat i IoU. El resultat ha estat un model capaç de detectar tortugues amb una precisió del 83.1% i una sensibilitat del 84.8%. Tot i això, el model té dificultats per detectar tortugues en entorns més complexos i necessitaria millores addicionals per detectar-les en una gamma més àmplia de situacions.","Extraction and analysis of images using computer vision techniques has become more popular in recent years. It has applications in scientific, social, economic, and military fields. At the same time, the use of drones or unmanned aerial vehicles (UAVs) has also become more widespread in recent years due to increased accessibility and improvements in their capabilities, allowing the capture of high-quality images in various contexts. This work aims to combine these two technologies with an environmental purpose: to contribute to the study and protection of sea turtles in areas where they are at risk of dissapearing. Human monitoring in these areas is costly and time-consuming. The use of deep learning algorithms requires less time and other resources and thus allows for resources to be spent on higher-quality tasks by limiting human intervention up to the point of final verification. The objective of this work is to achieve highly accurate results, minimize false negatives, and ensure that the created model is reliable and adds value to the organizations involved in the protection of sea turtles by allowing for more efficient and scalable monitoring. This would facilitate work across a larger number of regions or a higher volume of recordings. The YOLO (You Only Look Once) algorithm was used to detect sea turtles. To evaluate the performance of the models, metrics of precision, sensitivity, and IoU were used. The result was a model capable of detecting turtles with a precision of 83.1% and a sensitivity of 84.8%. However, the model struggles to detect turtles in more complex settings and would require further improvements to detect turtles in a wider range of settings.","La extracción y análisis de imágenes mediante técnicas de visión por computador se ha hecho más popular en los últimos años. Estas técnicas tienen aplicaciones en los ámbitos científico, social, económico y militar. Al mismo tiempo, el uso de los drones o vehículos aéreos no tripulados (UAV, por sus siglas en inglés) también se ha extendido en los últimos años gracias a una mayor accesibilidad y a las mejoras en sus prestaciones, hecho que permite capturar imágenes de alta calidad en varios contextos. Este trabajo quiere combinar estas dos tecnologías con una finalidad medioambiental: contribuir en el estudio y protección de las tortugas marinas en zonas donde se encuentran en peligro de desaparecer. La monitorización realizada por humanos en estas zonas es costosa y requiere una gran cantidad de horas de trabajo. El uso de algoritmos de aprendizaje profundo requieren menos tiempo y permiten a las personas dedicar las horas a tareas de más calidad y limitar su intervención en las comprobaciones finales. El objetivo del trabajo es obtener resultados con una alta precisión, minimizar los resultados de falsos negativos y garantizar que el modelo creado sea fiable, aportando valor a las organizaciones implicadas en la protección de las tortugas marinas, y permitiendo una monitorización más eficiente y escalable. Esto facilitaría el trabajo en un número mayor de regiones o un volumen de grabaciones superior. Se ha utilizado el algoritmo YOLO (You Only Look Once) para detectar tortugas marinas. Para evaluar el rendimiento de los modelos, se han utilizado las métricas de precisión, sensibilidad y IoU. El resultado ha sido un modelo capaz de detectar tortugas con una precisión del 83.1% y una sensibilidad del 84.8%. Aun así, el modelo tiene dificultades para detectar tortugas en entornos más complejos y necesitaría mejoras adicionales para detectarlas en una gama más amplia de situaciones."],"dc:format.mimetype":["application/pdf"],"dc:identifier.uri":["https://hdl.handle.net/10609/152264"],"dc:language.iso":["cat"],"dc:publisher":["Universitat Oberta de Catalunya (UOC)"],"dc:rights":["CC BY-NC-ND"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/3.0/es/"],"dc:subject":["visió per computador","classificació automàtica","precisó","dron/s","tortugues marines","biodiversitat","protecció animal","aprenentatge profund","YOLO","deep learning","computer vision","automatic classification","Accuracy","dron/es","sea turtles","biodiversity","animal protection","visión per computador","classificación automática","precisón","tortugas marinas","biodiversidad","protección animal","aprendizaje profundo"],"dc:title":["Ús de deep learning i imatges de drons per a la detecció de tortugues marines en entorns naturals"],"dc:type":["info:eu-repo/semantics/masterThesis"]},"updated_at":"2026-07-27T19:06:52Z"}