Resumen de Clasificación de imágenes de cámaras de vigilancia volcánica usando visión artificial

César D. Martínez, Roberto C. Uribe, Carlos Ospina, Rubiel Vargas Cañas

• español

  Los Observatorios Vulcanológicos en el mundo, y en Colombia, cuentan con cámaras de vigilancia ubicadas en sectores aledaños a volcanes donde se pueden presentar manifestaciones importantes de actividad volcánica en superficie. En Colombia estas cámaras capturan una imagen por minuto, así el volumen de información puede ser difícil de manejar en tiempo de crisis volcánica.

  Así, los sistemas automáticos pueden ayudar a mejorar la efectividad haciendo un diagnóstico de la actividad volcánica. En este trabajo se muestra la implementación de técnicas de aprendizaje de máquina y visión por computador tales como:

  extracción de características mediante Bagoffeature y algoritmos de clasificación, para etiquetar automáticamente imágenes de diferentes volcanes: Nevado del Ruiz, Nevado del Huila y Puracé. Las imágenes se dividieron en nueve categorías probando varios modelos de clasificación, alcanzando una exactitud superior al 88%. Finalmente se implementó una interfaz de usuario que permitió evaluar el rendimiento del sistema por los operarios.

• English

  Volcanological Observatories around the world, and in Colombia, have surveillance cameras located near to the volcanoes, where they may present significant manifestations of surface volcanic activity. These cameras acquire around one image per minute; therefore, the volume of information may be difficult to manage, especially in times of volcanic activity crisis. To that extent, automatic systems may help to improve difficulty by making a diagnosis of volcanic activity.

  In this study, machine learning and computer vision techniques were implemented such as: extraction of characteristics using Bagoffeature and classification algorithms to automatically classify images of different volcanoes: Nevado del Ruiz, Nevado del Huila and Puracé. The images were divided into nine labels and two models were trained, as a result, they achieved a final accuracy of over 88%. Finally, a user interface was deployed that allows evaluating the system performance by the operators.