Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California Maestría en Ciencias en Ecología Marina Identificación de especies de tiburones con base en sus aletas dorsales secas a través del procesamiento de imágenes Tesis para cubrir parcialmente los requisitos necesarios para obtener el grado de Maestro en Ciencias Presenta: Luis Alfredo Carrillo Aguilar Ensenada, Baja California, México 2021 Tesis defendida por Luis Alfredo Carrillo Aguilar y aprobada por el siguiente Comité Dr. Josué Álvarez Borrego Co-Director de tesis Dr. Héctor Alonso Echavarría Heras Co-Director de tesis Miembros del Comité de Tesis Dr. Luis Eduardo Calderón Aguilera Dra. Esperanza Guerra Rosas Dr. Sebastián Hernández Muñoz Dr. Armando Trasviña Castro Luis Alfredo Carrillo Aguilar © 2021 Queda prohibida la reproducción parcial o total de esta obra sin el permiso formal y explícito del autor y director de la tesis. Dr. Rafael Andrés Cabral Tena Coordinador del Posgrado en Ecología Marina Dr. Pedro Negrete Regagnon Director de Estudios de Posgrado ii Resumen de la tesis que presenta Luis Alfredo Carrillo Aguilar como el requisito parcial para la obtención del grado de Maestro en Ciencias en Ecología Marina Identificación de especies de tiburones con base en sus aletas dorsales secas a través del procesamiento de imágenes Resumen aprobado por: Dr. Josué Álvarez Borrego Co-Director de tesis Dr. Héctor Alonso Echavarría Heras Co-Director de tesis Los tiburones son más valiosos vivos que muertos ya que generan una gran derrama económica debido a sus múltiples actividades. Adicionalmente, cumplen un rol muy importante como depredadores topes y meso-depredadores en las cadenas tróficas. En general los tiburones tienen un potencial reproductivo bajo: maduración tardía, su reproducción limitada, fecundidad baja y crecimiento lento. Por otra parte, se ha reportado que desde 1950 varias poblaciones de tiburones han sufrido una disminución en los ecosistemas, provocado por la sobreexplotación debido al consumo de carne y sus aletas. En este contexto, convenciones internacionales, tales como CITES (Convención Internacional de Especies Amenazadas de Fauna y Flora Silvestre) son fundamentales para regular el tráfico de estas especies para asegurar que éste no sea una amenaza para la supervivencia de sus poblaciones. Dentro de CITES existen tres apéndices donde están incluidos especies de tiburones y rayas que se encuentran en algún grado de peligro de extinción por la IUCN. El presente estudio sugiere el uso de algoritmos de identificación de las aletas secas de 37 especies de tiburones que participan en el comercio de aletas desde 14 países, el cual demostró un alto porcentaje de sensibilidad y especificidad a partir del procesamiento de imágenes. Se realizaron dos metodologías, la primera, fue utilizando un filtro compuesto no lineal para cada una de las especies mediante la transformada de Fourier, donde se observó un 100% de sensibilidad y especificidad. La segunda consistió en una red neuronal, donde se obtuvo 90% de eficacia. La red neuronal se considera la mejor metodología ya que soporta las imágenes con ruido en el fondo, es invariante a rotación y escala. Además, tarda segundos en poder identificar una imagen problema en contraste al filtro compuesto no lineal. Palabras clave: Tiburones, CITES, filtro compuesto no lineal, red neuronal. iii Abstract of the thesis presented by Luis Alfredo Carrillo Aguilar as a partial requirement to obtain the Master of science degree in Marine Ecology. Identification of shark species base don their dried dorsal fins through image processing Abstract approved by: Dr. Josué Álvarez Borrego Co-Director de tesis Dr. Héctor Alonso Echavarría Heras Co-Director de tesis The sharks are more valuable than dead because humans can produce a lot of money like scuba diving, swimming, and shark sighting. They are also top predators and mesopredators in the trophic chain. Sharks have a low reproductive potential like late maturation, limited reproduction, low fertility, and slow growth. On the other hand, it has been reported that since 1950 shark populations have suffered a decline and affect the entire ecosystem, caused by overexploitation due to the consumption of meat and fins. In this context, international conventions, such as CITES (International Convention on Endangered Species of Wild Fauna and Flora), are fundamental to regulate the trafficking of these species to ensure the life of their populations. CITES has three appendices that include shark and rays species in danger of extinction by the IUCN. The present study suggests algorithms to identify dry fins of 37 shark species participating in the fin trade of 14 countries, demonstrating high sensitivity and specificity from image processing. The first methodology used a non-linear composite filter using the Fourier transform for each species, where we obtained 100% sensitivity and specificity. The second methodology was a neural network, where we got 90% efficiency. The neural network is the best methodology since it supports images with noise in the background. It can recognize shark fin images independently of rotation and scale, and it takes seconds to identify an image. Key words: sharks, CITES, non-linear composite filter, neural network. iv Dedicatoria A mis papás, Martha Rosalía Aguilar López y José Alfredo Carrillo García Por su cariño, apoyo incondicional, ánimos en los días difíciles, su paciencia, su confianza, estoy muy agradecido de ser su hijo. Los quiero mucho. Es simplemente lo que está sucediendo En este lugar, En este momento. Matsuo Basho v Agradecimientos A CICESE, por abrirme las puertas y permitirme realizar mis estudios de maestría en un posgrado con calidad internacional. A CONACYT, por el apoyo económico que me permitió estar enfocado en mis estudios de la maestría. Al Dr. Josué Álvarez Borrego, por brindarme su conocimiento, paciencia y las herramientas necesarias para llevar a cabo mis estudios y quien me ha aconsejado y apoyado en esta parte de mi vida. A la Dra. Esperanza Guerra Rosas, por haberme apoyado en la parte de programación, escuchado y aconsejado a lo largo de este año. Dr. Sebastián Hernández Muñoz por brindarme toda su base de datos de aletas secas de tiburones y por compartir su conocimiento Al Dr. Armando Trasviña Castro por creer en mí, por apoyarme, por darme la bienvenida y trabajar en el Laboratorio Servant. A los miembros del comité de tesis, Dr. Luis Eduardo Calderón Aguilera y Dr. Héctor Alonso Echavarría Heras, por haber aceptado ser parte de este trabajo y por sus críticas constructivas. Al Dr. Eduardo González Rodríguez por apoyarme en todo desde que era su estudiante en la carrera de licenciatura de la UABCS. Además, me impulsó a realizar la maestría en el CICESE. Gracias Dr. Eduardo por sus consejos, jalada de orejas, por enseñarme un lenguaje de programación y sobre todo por creer en mí. A mis amigos que he tenido la oportunidad de conocer en este posgrado de maestría. Netza, Mónica, Mauricio y Deira. Muchas gracias por su amistad, por las risas, por las rodadas y por todas las aventuras que nos faltan. Los llevaré siempre en mi mente. A mi querido amigo Pepillo, por el apoyo a lo largo de estos años, por sus consejos y por animarme en los días difíciles. A mí, Luis Alfredo Carrillo Aguilar. Quiero que sepas que lo que has hecho hasta ahora ha sido con mucho trabajo y esfuerzo. Recuerda siempre que vamos para adelante agradeciéndole a la vida, aprendiendo de los errores. Con afecto y cariño; tu yodel pasado. vi Tabla de contenido Página Resumen en español……………………………………………………………..……………...……...…………………………… ii Resumen en inglés…………………………………………………………….………………………….…………………….…….. iii Dedicatorias…………………………………………………………………….……………………………….………………………… iv Agradecimientos……………………………………………………….……………………………………..……………….…....... v Lista de figuras………………………………………………………….………………………………….…..……………....…...... viii Lista de tablas…………………………………………………………….……………………………………….……………………… xiii Capítulo 1. Introducción 1.1 Antecedentes…………………………………………………………….……………….………………………….……. 5 1.1.1 Filtro de correlación y redes neuronales……………………………………………………………………………. 6 1.2 Hipótesis......................................................................…...…............................................. 7 1.3 Objetivos…………………………………………………………….……………………………………..………………… 8 1.3.1 Objetivo general …………………………………………….……………………………………..…………. 8 1.3.2 Objetivos específico…………………………………………….……………………………………..…….. 8 Capítulo 2. Metodología 2.1 Base de datos…………………………………………………………………………………………………………………. 9 2.2 Filtros de correlación clásicos…………………………………………………………………………………………. 15 2.2.1 Filtro clásico de acoplamiento (CMF)………………………………………………………………………… 16 2.2.2 Filtro solo de fase……………………………………………………………………………………………………… 16 2.2.3 Filtro inverso…………………………………………………………………………………………………………….. 17 2.3 Filtro de correlación no lineal (ley k)………………………………………………………………………………… 17 2.3.1 Obtención del filtro compuesto no lineal………………………………………………………………….. 18 2.4 Redes neuronales…………………………………………………………………………………………………………….. 19 2.4.1 Patrón binario local…………………………………………………………………………………………………… 19 2.4.2 Red neuronal…………………………………………………………………………………………………………….. 20 2.4.3 Método de Levenberg-Marquardt…………………………………………………………………………….. 22 2.4.4 Red Neuronal con el método Levenberg-Marquardt…………………………………………………. 23 2.4.5. Sensibilidad y Especificidad……………………………………………………………………………………… 27 vii Capítulo 3. Resultados 3.1 Filtro compuesto no lineal……………………………………………………………………………………………… 28 3.2 Red Neuronal…………………………………………………………………………………………………………………. 33 Capítulo 4 . Discusión Capítulo 5 . Conclusiones Literatura citada……………………………………………………………………………………………………………………. 52 Anexos…………………………………………………………………………………………………………………………….....… 54 viii Lista de figuras Figura Página 1 Diagrama de la obtención del filtro compuesto no lineal………………….………………..…………….. 19 2 Diagrama de una neurona en la capa oculta ……………………….….…….……………………………………. 21 3 Esquema de una red neuronal con una capa oculta……………………………….………………………….. 21 4 Esquema del método de descenso por gradiente…………………………………..…………………….…… 23 5 Desplazamiento de ventana de 3x3 en una imagen de aleta seca de tiburón…………………….. 25 6 Extracción de valores con la función Patrón binario local en una ventana de 3x3……....…….. 26 7 Identificación de las aletas dorsales secas de tiburón martillo común (Spyrna lewini) utilizando el filtro compuesto no lineal. El color rojo representa las 262 aletas que pertenecen a Spyrna lewini. El color naranja representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie……………………………………………………………………………………… 28 8 Identificación de las aletas dorsales secas de tiburón martillo liso (Sphyrna zygaena) utilizando el filtro compuesto no lineal. El color rojo representa las 92 aletas que pertenecen a Sphyrna zygaena. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie………………………………………………………………………………………. 29 9 Identificación de las aletas dorsales secas de tiburón azul (Prionace glauca) utilizando el filtro compuesto no lineal. El color rojo representa las 39 aletas que pertenecen Prionace glauca. El color azul representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie……………………………………………………………………………………………………………………………… 30 10 Identificación de las aletas dorsales secas de tiburón cabeza de pala (Sphyrna tiburo) utilizando el filtro compuesto no lineal. El color rojo representa las 5 aletas que pertenecen al tiburón martillo cabeza de pala. El color azul representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie………………………………………………………………………………………. 31 11 Matriz de confusión de la 6° red neuronal con 90.6% de eficacia, correspondiente al segundo experimento. El color verde representa los porcentajes de imágenes que si fueron identificadas correctamente y el color rojo representa las imágenes que no fueron correctamente identificadas……………………………………………………………………………………………… 37 12 Curvas totales de la 6° red neuronal, correspondiente al segundo experimento. Cada línea representa una especie de aletas secas de tiburones………………………………………………………… 38 ix 13 Matriz de confusión de la 4° red neuronal con 89% de eficacia, correspondiente al cuarto experimento. El color verde representa el porcentaje de imágenes que si fueron identificadas correctamente y el color rojo representa las imágenes que no fueron correctamente identificadas…………………………………………………………………………………………….. 44 14 Curvas totales de la 4° red neuronal, correspondiente al cuarto experimento. Cada línea representa una especie de aletas secas de tiburones……………………………………………………….. 45 15 Matriz de confusión de la 6° red neuronal con 90.6% de eficacia, correspondiente al segundo experimento. Únicamente muestra las imágenes de Sphyrna lewini, Sphyrna zygaena y Sphyrna mokarran que se identificaron correctamente (color verde) y las que no fueron correctamente identificadas (color rojo)…………………………………………………………… 48 16 Matriz de confusión de la 4° red neuronal con 89% de eficacia, correspondiente al segundo experimento. Únicamente muestra las imágenes de Sphyrna lewini, Sphyrna zygaena y Sphyrna mokarran que se identificaron correctamente (color verde) y las que no fueron correctamente identificadas (color rojo)………………………………………………………………………….. 49 17 Identificación de las aletas dorsales secas de tiburón martillo gigante (Sphyrna mokarran) utilizando el filtro compuesto no lineal. El color rojo representa las 16 aletas que pertenecen al tiburón martillo gigante. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…………………………………………………………………………. 55 18 Identificación de las aletas dorsales secas de tiburón cailón (Lamna nasus) utilizando el filtro compuesto no lineal. El color rojo representa las 9 aletas que pertenecen al tiburón cailón. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…………………………………………………………………………………………………………………………… 55 19 Identificación de las aletas dorsales secas de tiburón blanco (Carcharodon carcharias) utilizando el filtro compuesto no lineal. El color rojo representa las 16 aletas que pertenecen al tiburón blanco. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………… 56 20 Identificación de las aletas dorsales secas de tiburón oceánico (Carcharhinus longimanus) utilizando el filtro compuesto no lineal. El color rojo representa las 22 aletas que pertenecen al tiburón oceánico. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………………….. 56 21 Identificación de las aletas dorsales secas de tiburón sedoso (Carcharhinus falciformis) utilizando el filtro compuesto no lineal. El color rojo representa 101 aletas que pertenecen al tiburón sedoso. El colorazul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 57 22 Identificación de las aletas dorsales secas de tiburón zorro (Alopias vulpinus) utilizando el filtro compuesto no lineal. El color rojo representa las 24 aletas que pertenecen al tiburón zorro. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………………………………………………………….. 57 x 23 Identificación de las aletas dorsales secas de tiburón pelágico (Alopias pelagicus) utilizando el filtro compuesto no lineal. El color rojo representa las 75 aletas que pertenecen al tiburón pelágico. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 58 24 Identificación de las aletas dorsales secas de tiburón de anteojos (Alopias superciliosus) utilizando el filtro compuesto no lineal. El color rojo representa las 98 aletas que pertenecen al tiburón de anteojos. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…………………………………………………………………………. 58 25 Identificación de las aletas dorsales secas de tiburón mako (Isurus oxyrhincus) utilizando el filtro compuesto no lineal. El color rojo representa las 49 aletas que pertenecen al tiburón mako. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………………………………………………………….. 59 26 Identificación de las aletas dorsales secas de tiburón marrajo de aleta (Isurus paucus) utilizando el filtro compuesto no lineal. El color rojo representa las 3 aletas que pertenecen al tiburón marrajo de aleta. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………………………. 59 27 Identificación de las aletas dorsales secas de tiburón ballena (Rhincodon typus) utilizando el filtro compuesto no lineal. El color rojo representa las 4 aletas que pertenecen al tiburón ballena. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………………………… 60 28 Identificación de las aletas dorsales secas de tiburón de morro negro (Carcharhinus acronotus) utilizando el filtro compuesto no lineal. El color rojo representa las 4 aletas que pertenecen al tiburón de morro negro. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………… 60 29 Identificación de las aletas dorsales secas de tiburón cobrizo (Carcharhinus brachyurus) utilizando el filtro compuesto no lineal. El color rojo representa las 2 aletas que pertenecen al tiburón cobrizo. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 61 30 Identificación de las aletas dorsales secas de tiburón aleta negra (Carcharhinus brevipinna) utilizando el filtro compuesto no lineal. El color rojo representa las 22 aletas que pertenecen al tiburón aleta negra. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…………………………………………………………………………………. 61 31 Identificación de las aletas dorsales secas de tiburón dentiliso (Carcharhinus isodon) utilizando el filtro compuesto no lineal. El color rojo representa las 5 aletas que pertenecen al tiburón dentiliso. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 62 32 Identificación de las aletas dorsales secas de tiburón sarda (Carcharhinus leucas) utilizando el filtro compuesto no lineal. El color rojo representa las 19 aletas que pertenecen al tiburón sarda. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………………………………………… 62 xi 33 Identificación de las aletas dorsales secas de tiburón puntas negras (Carcharhinus limbatus) utilizando el filtro compuesto no lineal. El color rojo representa las 51 aletas que pertenecen al tiburón puntas negras. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………….. 63 34 Identificación de las aletas dorsales secas de tiburón arenero (Carcharhinus obscurus) utilizando el filtro compuesto no lineal. El color rojo representa las 27 aletas que pertenecen al tiburón arenero. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…………………………………………………………………………………… 63 35 Identificación de las aletas dorsales secas de tiburón de arrecife del caribe (Carcharhinus perezi) utilizando el filtro compuesto no lineal. El color rojo representa las 3 aletas que pertenecen al tiburón de arrecife del caribe. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…….………………………………………………………. 64 36 Identificación de las aletas dorsales secas de tiburón trozo (Carcharhinus plumbeus) utilizando el filtro compuesto no lineal. El color rojo representa 1 aleta que pertenece al tiburón trozo. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 64 37 Identificación de las aletas dorsales secas de tiburón alinegro (Carcharhinus sealei) utilizando el filtro compuesto no lineal. El color rojo representa 6 aletas que pertenecen al tiburón alinegro. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 65 38 Identificación de las aletas dorsales secas de tiburón de noche (Carcharhinus signatus) utilizando el filtro compuesto no lineal. El color rojo representa 2 aletas que pertenecen al tiburón de noche. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 65 39 Identificación de las aletas dorsales secas de tiburón tigre de arena (Carcharhinus taurus) utilizando el filtro compuesto no lineal. El color rojo representa 8 aletas que pertenecen al tiburón tigre de arena. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………….. 66 40 Identificación de las aletas dorsales secas de tiburón tigre (Galeocerdo cuvier) utilizando el filtro compuesto no lineal. El color rojo representa 33 aletas que pertenecen al tiburón tigre. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones…………………………………………………………………………………………………………………………… 66 41 Identificación de las aletas dorsales secas de tiburón gata (Ginglymostoma cirratum) utilizando el filtro compuesto no lineal. El color rojo representa 2 aletas que pertenecen al tiburón gata. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………………………………………………… 67 42 Identificación de las aletas dorsales secas de tiburón nodriza (Ginglymostoma unami) utilizando el filtro compuesto no lineal. El color rojo representa 4 aletas que pertenecen al tiburón nodriza. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 67 xii 43 Identificación de las aletas dorsales secas de tiburón musola media luna (Mustelus lunulatus) utilizando el filtro compuesto no lineal. El color rojo representa 3 aletas que pertenecen al tiburón musola media luna. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………………………. 68 44 Identificación de las aletas dorsales secas de tiburón musola lisa (Mustelus mustelus) utilizando el filtro compuesto no lineal. El color rojo representa 5 aletas que pertenecen al tiburón musola lisa. El color azul y amarillo representa lasdemás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 68 45 Identificación de las aletas dorsales secas de tiburón limonero (Negaprion acutidens) utilizando el filtro compuesto no lineal. El color rojo representa 2 aletas que pertenecen al tiburón limonero. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 69 46 Identificación de las aletas dorsales secas de tiburón limón (Negaprion brevirostris) utilizando el filtro compuesto no lineal. El color rojo representa 2 aletas que pertenecen al tiburón limón. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 69 47 Identificación de las aletas dorsales secas de tiburón lechoso (Rhizoprionodon acutus) utilizando el filtro compuesto no lineal. El color rojo representa 1 aleta que pertenece al tiburón lechoso. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………………………………………………………………………………….. 70 48 Identificación de las aletas dorsales secas de tiburón nariz afilada del pacífico (Rhizoprionodon longurio) utilizando el filtro compuesto no lineal. El color rojo representa 10 aletas que pertenecen al tiburón nariz afilada del pacífico. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones……………………………. 70 49 Identificación de las aletas dorsales secas de tiburón de arrecife de punta blanca (Trianodon obesus) utilizando el filtro compuesto no lineal. El color rojo representa 2 aletas que pertenecen al tiburón de arrecife de punta blanca. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones………………………………………………. 71 xiii Lista de tablas Tabla Página 1 Lista de las especies de tiburones y rayas de CITES, mostrando la CoP y el año en el que fueron aceptadas, el Apéndice donde se encuentran estas especies y la fecha en el que entraron en vigor estas especies…………..…………………………..….…….……………………………………… 4 2 Lista de aletas dorsales secas de especies de tiburones. Se muestran los nombres comunes, científicos, foto de aleta dorsal seca y una imagen de las 37 especies de tiburones analizadas en este proyecto de tesis. Las especies CITES están representadas de color azul claro y especies no CITES están representadas de color amarillo..………………….……………………………… 9 3 Número de aletas dorsales secas de tiburones con rotación y fondo blanco. Además, se añade el grupo control (aleatorio) y el total de imágenes.…………………………………………..……… 23 4 Número de aletas dorsales secas de las especies de tiburones y el porcentaje de sensibilidad y especificidad de cada una de las especies de aletas dorsales secas de tiburones con respecto a las demás especies de aletas dorsales secas de tiburones utilizando el filtro compuesto no lineal…………………………………………………………………………………………………………… 31 5 Experimento 1. Quince corridas de la red neuronal con 38 especies y 10 neuronas en la capa oculta………………………………………………………………………………….……………………………………………… 33 6 Experimento 2. Quince corridas de la red neuronal con 38 especies y 20 neuronas en la capa oculta…………………………………………………………………………………………………………………………………. 34 7 Porcentaje de sensibilidad y especificidad de cada una de las especies de aletas dorsales secas de tiburones con respecto a las demás especies de aletas dorsales secas de tiburones utilizando la red neuronal con un 90.6 % total de eficacia…………............................................. 35 8 Experimento 3. Quince corridas de la red neuronal con 27 especies y 20 neuronas en la capa oculta.………………………………………………………………………………………………………………………………… 39 9 Número de aletas dorsales secas de tiburones con ruido en el fondo. Además, se añade el grupo control (aleatorio) y el total de imágenes………………….…………………………………………….. 40 10 Experimento 4. Quince corridas de la red neuronal con 38 especies y 20 neuronas en la capa oculta………………………………………………………………………………………………………….……………………… 41 xiv 11 Porcentaje de sensibilidad y especificidad de cada una de las especies de aletas dorsales secas de tiburones con respecto a las demás especies de aletas dorsales secas de tiburones utilizando la red neuronal con un 89 % total de eficacia………..……........................................... 42 1 Capítulo 1. Introducción El impacto de la sobrepesca sobre poblaciones de condrictios y el comercio internacional de productos derivados de éstos, es considerado como preocupación internacional debido a que la mayoría de las especies tienen una estrategia de vida tipo K. Esta estrategia está caracterizada por aquellas especies que presentan largos ciclos vitales, tasas de crecimiento lento, alcanzan la madurez sexual (desde 3 años hasta 16 años), y la reproducción es limitada, presentándose solamente durante su periodo de vida durante la adultez. Estas características biológicas asociadas a una baja productividad, más la industrialización de la pesca y el esfuerzo pesquero de sus poblaciones han llevado a considerarlo un grupo vulnerable con más de 300 especies de condrictios en peligro crítico de extinción (Furlong-Estrada et al., 2017, IUCN 2020). A nivel ecológico, los tiburones constituyen una de las especies con mayores depredadores en la cima de las pirámides trófica. En estas pirámides, los tiburones se conectan a través de las redes tróficas con otras especies entre diferentes hábitats y ecosistemas. De esta manera, el efecto de cascada ejemplificado por la reducción de las poblaciones de tiburones tope (por ejemplo, Carcharias taurus, Galeocerdo cuvier, Sphyrna lewini) ha ocasionado el aumento de los niveles tróficos más bajos donde se encuentran especies de tiburones medianos (Ginglymostoma cirratum y Rhizoprionodon terraenovae) y algunas especies de rayas (Leucoraja erinacea, Gymnura atlavela, Rhinoptera bonasus) (Baum & Worm 2008; Dulvy et al., 2017). La disminución de tiburones tope se desarrolla más en los ecosistemas pelágico que en el ecosistema costero (Pacoureau et al., 2021). Un ejemplo acerca de la cascada trófica con tiburones es en Carolina del Norte desde 1950 hasta 2005, donde hay un aumento en las poblaciones de la raya (Rhinoptera bonasus), y una disminución en la población de su presa (Agropecten irradians), debido a la remoción del predador tope de estas presas, el tiburón punta negra (Carcharhinus limbatus) (Ferretti et al., 2010). Varias especies de tiburones y rayas son económicamente importantes, traen muchos beneficios vivos. A nivel mundial las actividades relacionadas con buceo apnea y autónomo, avistamiento de tiburón y actividades submarinas con especies tales como: Carcharodon carcharias, Galeocerco cuvier; Sphyrna lewini; especies de mantas tales como Mobula birostris y Manta alfredi genera aproximadamente 314 millones de dólares y alrededor de 10,000 empleos al año (Cisneros-Montemayor et al., 2013). Por ejemplo, el avistamiento de tiburones mediante actividades de ecoturismo en la Polinesia Francesa tiene un costo de $1,200 dólares. Mientras tanto, el valor de los tiburones muertos mediante la pesca es de aproximadamente $1.5 dólares por kilo de carne (Cisneros-Montemayor et al., 2013). 2 Más del 50% de la sobreexplotación de tiburones se realiza principalmente por 10 países (Indonesia, España, India, México, Estados Unidos, Argentina, Taiwán, Malasia, Brasil y Nigeria) (Okes and Sant, 2019). Los niveles de captura aumentaron de manera constante desde 1950 hasta llegar a un máximo de 896 000 toneladas en el 2003. A partir del 2003 los desembarcos de tiburones ha disminuido un 17% (746 000 toneladas) (Dent and Clarke, 2015). La Organización de las Naciones Unidas para la Alimentación y la Agricultura (FAO) reporta que en el 2011 se importaron anualmente al mercado chino 17 154 toneladas (Dent and Clarke, 2015). Dentro de losprincipales productos derivados de los tiburones se encuentran su carne y aletas (Vanuccini 1999, Dent & Clarke 2015). Estas últimas, son las que presentan una demanda por la economía asiática, particularmente para la sopa de aleta de tiburón que es parte de la gastronomía y medicina china (Cisneros-Montemayor et al., 2013). La mayoría de las capturas de condrictios tienen varias irregularidades entre ellas que no están registradas formalmente, se identifican las especies erróneamente o éstas son descartas y devueltos al mar debido a que no son de importancia económica, lo cual genera falta de información sobre desembarques a nivel especie-específico (Dulvy et al., 2014). Debido al creciente comercio internacional de partes de tiburones, tales como sus aletas y carne, la Convención sobre el Comercio Internacional de Especies Amenazadas de Fauna y Flora silvestre (CITES) ha venido listando más de 40 especies de tiburones y rayas en sus Apéndices. De esta manera, en la actualidad hay 5 especies de rayas (Pristidae) en el Apéndice I, más 40 especies de tiburones y rayas en Apéndice II, y una especie de raya de agua dulce (Potramotrygon motoro) en Apéndice III. La CITES es un tratado internacional que surgió a partir de 1970 y que actualmente hay 183 países signatarios, en cada uno de los cuales existen autoridades administrativas y científicas que junto con las autoridades de fiscalización competentes en cada país están tratando de implementar para regular el tráfico de especies, y así evitar que éste sea perjudicial para las especies listadas. CITES abarca tres principios fundamentales: legalidad, sostenibilidad y trazabilidad. Cada tres años durante la conferencia por partes (CoP), se discute la inclusión en los Apéndices para las especies de flora y fauna que participan en el comercio internacional y que necesitan de regulación. Las especies que se encuentran en el Apéndice I están prohibidas en el comercio internacional. Las especies que están listadas en el Apéndice II, están reguladas y monitoreadas en su comercialización, y para las cuales se requiere la elaboración de un Dictamen de Extracción No Perjudicial (DENP) que fundamente y haga permisible el comercio internacional de la especie en cuestión (Mundy-Taylor et al., 2014). Por último, en el Apéndice III se encuentran las especies incluidas a solicitud de una de las Partes (país signatario) que ya reglamenta 3 el comercio de dicha especie y necesita la cooperación de otros países para evitar la explotación insostenible o ilegal de las mismas. De esta manera, para que el comercio internacional sea implementado se generan permisos y certificados CITES que validan la comercialización de éstas, entre las partes involucradas en la transacción (Mundy-Taylor et al., 2014). Sin embargo, para tales efectos debe existir un sistema de inspecciones constante por parte de las agencias del gobierno competentes en el tema, para prevenir el tráfico ilegal de especies tales como tiburones y rayas. En este contexto, el monitoreo documentario y visual de los productos que están siendo comercializados es un aspecto relevante en la cadena de custodia, donde tanto las partes exportadoras como importadoras deben dar fe para validar la transacción. En el caso de los tiburones y rayas, en su mayoría se encuentren listadas en el Apéndice II de CITES (Tabla 1). Por otro lado, tenemos la lista roja de especies de la Unión Internacional para la Conservación de la Naturaleza (IUCN, por sus siglas en inglés), fundada en 1948. Es considerada la organización medioambiental global más grande, antigua y diversa del mundo. Una de las tantas funciones es establecer el estado de conservación de las especies en cuanto al grado de información de su taxonomía, distribución, biología, amenazas, entre otra información relevante a las especies, y así determinar el grado de peligro de extinción. En este contexto, la principal amenaza hacia los tiburones es la pesca (96.1%), esto incluye las especies que van dirigidas al comercio (31.7%), pesca incidental (57.9%), captura recreativa (0.7%), pesca artesanal o de subsistencia (5.8%), posteriormente la destrucción de hábitats (2.9%) y la contaminación (0.4%) (Dulvy et al., 2014). En 2014, la IUCN, reportó 1,041 especies de condrictios, 181 (17.4%) son clasificados como amenazado, 25 (2.4%) clasificados en peligro crítico, 42 (4.1%) en peligro y 113 (10.9%) clasificados como vulnerables. Otras 132 especies (12.7%) están clasificadas como casi amenazadas. Hasta el último se tienen 241 especies (23.2%) con menor preocupación (Dulvy et al., 2014). Actualmente, la IUCN, reporta 1,202 especies de tiburones que han sido evaluadas a nivel mundial; 207 especies (17.2%) están clasificados como datos deficientes, 526 especies (43.8%) como preocupación menor, 114 especies (9.5%) clasificadas como casi amenazado, 167 especies (13.9%) clasificadas como vulnerable, 112 especies (9.3%) en peligro y 76 especies (6.3%) clasificadas en estado crítico (IUCN, 2021). La IUCN aumentó 161 especies en 7 años, modificando el porcentaje en los estados de la lista. En todos los estados de conservación aumentó el número de especies (IUCN, 2021). 4 Tabla 1. Lista de las especies de tiburones y rayas de CITES, mostrando la CoP y el año en el que fueron aceptadas, el Apéndice donde se encuentran estas especies y la fecha en el que entraron en vigor estas especies. Especie CoP/año Apéndice Fecha cuando entra en vigor Tiburón ballena 12/2002 II Febrero 2003 Tiburón peregrino 12/2002 II Febrero 2003 Tiburón blanco 13/2004 II Enero 2005 Peces sierra (7 especies) 2006 I Septiembre 2007 Tiburón oceánico 16/2013 II Septiembre 2014 Tiburón martillo común 16/2013 II Septiembre 2014 Tiburón martillo liso 16/2013 II Septiembre 2014 Tiburón martillo gigante 16/2013 II Septiembre 2014 Tiburón cailón 16/2013 II Septiembre 2014 Manta gigante 2013 II Septiembre 2014 Tiburón sedoso 17/2016 II Octubre 2017 Tiburón zorro pelágico 17/2016 II Octubre 2017 Tiburón zorro de anteojos 17/2016 II Octubre 2017 Tiburón zorro común 17/2016 II Octubre 2017 Raya diablo gigante 17/2016 II Octubre 2017 Raya diablo de aguijón 17/2016 II Octubre 2017 Raya diablo pigmeo 17/2016 II Octubre 2017 Raya diablo de aleta corta 17/2016 II Octubre 2017 Raya diablo mobular 17/2016 II Octubre 2017 Raya diablo doblada 17/2016 II Octubre 2017 Raya diablo cornuda 17/2016 II Octubre 2017 Raya diablo enana 17/2016 II Octubre 2017 Tiburón mako 2018 II Agosto 2019 Tiburón marrajo negro 2018 II Agosto 2019 Basado en los antecedentes expuestos, existen varias especies de tiburones que participan en el comercio internacional de aletas exportadas al mercado asiático, dentro de los cuales, países latinoamericanos son los principales proveedores de estos productos (Vanuccini 1999, Dent & Clarke 2015). En la actualidad existen herramientas visuales tales como Guías de Identificación de aletas de tiburones en Guatemala y 5 Perú (Hernandez and Avalos Castillo, 2018; Hernandez et al., 2020) y el uso del programa ISharkFin para identificar aletas húmedas o frescas de 39 especies de tiburones, dentro de las cuales 14 especies listadas en la CITES (Marshall and Barone, 2016). Sin embargo, el uso de la herramienta ISharfin ha demostrado generar incertidumbre en la identificación correcta de las especies listadas en la CITES, confundiéndolas con otras especies. De esta manera, es necesario optimizar las técnicas de identificación para mejorar las herramientas que permitan a los inspectores identificar las especies correctamente. En este contexto, la introducción de técnicas, como el procesamiento de imágenes digitales, podría reducir el tiempo significativamente para poder identificar de manera automatizada el análisis de imágenes (fotografías de aletas) ya sea desde individuos hasta partes de ellos. El principal objetivo en estatesis es identificar las aletas dorsales secas de tiburón a través del procesamiento de imágenes a nivel especie-específico de aquellas que están listadas en CITES y otras especies de tiburones no listadas pero que participan en el comercio internacional de aletas de tiburón. En esta tesis se probaron dos modelos; el primero es la identificación de las aletas dorsales secas mediante filtros compuestos no lineales y el segundo mediante redes neuronales, con el fin de evaluar cuál de este modelo representa un mejor índice de sensibilidad y especificidad al momento de identificar las especies. 1.1. Antecedentes La captura de tiburones empezó antes de la década de 1950 en el noroeste del Pacífico, Atlántico nororiental y Mediterráneo. En estas tres áreas se registraron el mayor número de capturas, no obstante, con el tiempo la pesca se fue extendiendo hacia otras regiones y las capturas de elasmobranquios se expandieron hacia áreas oceánicas (Sosa-Nishizaki et al. 2020). Las capturas que se realizan en el noroeste del Pacífico provienen de Japón. Desde hace 200 años (antes de la segunda guerra mundial) Japón comercializa aletas de tiburones con China. En el atlántico nororiental y el mediterráneo también se registra una sobreexplotación histórica. Ambas zonas tienen trayectorias de desembarque constantes y en menos de 15 años la captura de estos tiburones ha disminuido entre 49% y 89% (Ferretti et al., 2010). En el periodo de 2007 a 2017 hay por lo menos 20 países que se dedicaron al comercio de aletas de tiburones. Las capturas de los tres primeros países representan el 80% de lo reportado a nivel global durante este periodo. En primer lugar, está Indonesia con aproximadamente 110,737 millones de toneladas de aletas al año (Okes and Sant, 2019). Seguido de España con 78,443 millones de toneladas al año y después India con 67,391 millones de toneladas al año. En esta tabla se encuentra México ocupando 6 el cuarto lugar de esta lista, con 39,992 millones de toneladas al año (Okes and Sant, 2019). Las especies capturadas a nivel global en el 2017 son: Tiburón azul (Prionace glauca) con 103,528 millones de toneladas, Tiburón sedoso (Carcharhinus falciformis) con 632 millones de toneladas y Mantarrayas (Mobula birostris) con 5.436 millones de toneladas (Okes and Sant, 2019). En China se encuentran dos mercados principales (Hong Kong y Guangzhou) donde se comercializan las aletas secas de tiburones listadas tanto en CITES como otras especies (Cardeñosa, et al., 2020). En ambos mercados se han observado la misma composición de especies de tiburones. La mayoría de las aletas son de tiburones oceánicos el cual representa el 71.6% de las aletas que se manejan en ambos comercios (Cardeñosa, et al., 2020). La única diferencia es que en el mercado Guangzhou (4.16%) hay el doble de las aletas de Isurus oxyrinchus que en el mercado de Hong Kong (2.37%). Las aletas de Isurus oxyrinchus se ubica como la quinta especie más común en Guangzhou, donde ocupó el noveno lugar detrás de varias especies costeras (por ejemplo, tiburón aleta negra (Carcharhinus brevipinna), tiburón toro (Carcharhinus leucas) y tiburón Java (Carcharhinus amboinensis) (Cardeñosa, et al., 2020). Hasta este año, el tiburón azul (Prionace glauca), tiburón oceánico (Carcharhinus longimanus), Isurus spp y Alopias spp son las especies que más se encuentran en el mercado de Hong Kong. De estas cuatro especies, únicamente el tiburón azul no forma parte de CITES, siendo uno de los más exportados (Van Houtan et al., 2020). 1.1.1 Filtro de correlación y redes neuronales En los últimos 50 años, el hombre ha realizado mucha investigación en torno al desarrollo de nuevos sistemas y que mejor manera que fijar la vista a una súper computadora que posee el ser humano: el cerebro (Moreno, 2005). Aunque todavía se ignora mucho sobre la forma en que el cerebro aprende a procesar la información, se han desarrollado modelos que tratan de emular tales habilidades denominados redes neuronales artificiales. Estas redes se basan en el aprendizaje de estrategias de solución basadas en comportamientos típico de patrones; estos sistemas no requieren que la tarea a ejecutar se programe, ellos generalizan y aprenden de la experiencia (Moreno, 2005). 7 Los sistemas de correlación digital son una solución atractiva para el reconocimiento de patrones, debido a la facilidad de su implementación, así como también por la habilidad de determinar la posición del objeto a identificar dentro de la imagen problema. La mayoría de estos filtros no funcionan bien cuando la imagen problema tiene distorsiones pequeñas, si estas varían en tamaño, rotación o iluminación, en general, tendrán un mal desempeño en la identificación. Debido a esto, en el ámbito del reconocimiento de patrones y análisis de imágenes, en años recientes se han realizado numerosos esfuerzos en el estudio y desarrollo de sistemas invariantes a distorsiones, utilizando filtros lineales y no lineales (Guerrero-Moreno and Álvarez-Borrego, 2008). En los últimos años los filtros de correlación han sido utilizados para identificar diferentes organismos. Por ejemplo, se identificaron especies del género Ceratium con un porcentaje de efectividad del 90% independientemente de su rotación, tamaño o ubicación dentro del campo visual (Pech-Pacheco and Alvarez-Borrego, 1998). Posteriormente, se identificaron diferentes tejidos y para detectar el virus de la necrosis hipodérmica y la infección hematopoyética (IHHN) en los tejidos del camarón (Álvarez-Borrego and Chávez-Sánchez, 2001). En el 2003, se utilizó un filtro espacial, invariante a posición y rotación para cada una de las especies de Acartia. Este filtro se realizó mediante la combinación de diferentes imágenes de cada especie y sexo (Álvarez-Borrego and Castro-Longoria, 2003). En el contexto referente al presente estudio, en el 2010, se realizaron diferentes técnicas para poder identificar las aletas secas de tres especies de tiburones y así determinar la mejor metodología. Se demostró que los análisis morfométricos es el enfoque menos exacto, mientras que la identificación basada en el ADN y el procesamiento de imágenes fue 100% exitosa (Hernández et al., 2010). Por último, en el 2021 se presentó una nueva metodología para diagnosticar diez diferentes tipos de lesiones de piel basadas en la información espectral de Fourier. También utilizaron el sistema neuronal artificial. Como resultado el modelo presentó 99.3% de exactitud, 94.6% precisión, 92.9% de sensibilidad y 99.6% de especificidad (Lopez-Leyva et al., 2021). 1.2 Hipótesis Basado en los antecedentes descritos, la metodología de correlación simple con filtro compuesto no lineal ha demostrado la capacidad para definir diferencias entre imágenes fotográficas, por lo tanto, ha permitido diagnosticar entre las diferentes especies de tiburones a partir de las aletas dorsales secas, para las cuales se espera obtener el mayor nivel de sensibilidad y especificidad para su identificación. De esta manera, a partir del desarrollo de los algoritmos (filtro compuesto no lineal y redes neuronales), se podrá identificar eficientemente las aletas dorsales secas de varias especies de tiburones de especies listadas en 8 CITES como aquellas que no lo están, pero también son usualmente comercializadas en el mercado internacional y exportadas a Hong Kong. 1.3 Objetivos 1.3.1 Objetivo general Desarrollar un algoritmo para identificar las aletas dorsales de diferentes especies de tiburones con un alto porcentaje de sensibilidad y especificidad utilizando dos metodologías de procesamiento de imágenes. 1.3.2 Objetivos particulares a) Realizar correlaciones bidimensionales no lineales utilizando filtros compuestos especie- específicos mediante la transformada de Fourier para la identificación de aletas. i. Calcular los valores de sensibilidady especificidad de este procedimiento. ii. Analizar ventajas y desventajas de este procedimiento. b) Realizar identificación de aletas mediante redes neuronales. i. Calcular los valores de sensibilidad y especificidad de este procedimiento. ii. Analizar ventajas y desventajas de este procedimiento. 9 Capítulo 2 Metodología 2.1 Base de datos Para el desarrollo de este proyecto, se contó con una base de fotografías de aletas dorsales secas de tiburones correspondiente a la base de datos del proyecto “Enhancing the morphological tools to identify illegal shark fins traded in Central America” liderado por el Dr. Sebastián Hernández a través del Fondo para la Conservación de Tiburones (Shark Conservation Funding) para el financiamiento del desarrollo de este proyecto, el cual incluye un total de 1029 fotos de aletas dorsales secas de 37 especies de tiburones (Tabla II). Las fotos fueron tomadas desde diferentes lugares tales como secaderos de aletas entre otros productos marinos, bodegas de almacenaje, pasos fronterizos, colecciones personales, etc. desde 14 países (Estados Unidos, México, Belice, Guatemala, Costa Rica, El Salvador, Panamá, Colombia, Ecuador, Perú, Chile, Sudáfrica, Hong Kong y Fiji). Las fotos fueron organizadas por especies y procesadas en Adobe Photoshop 2020 para eliminar el fondo que tenían, dejándolas todas con fondo blanco. El fondo blanco es importante porque eliminamos el ruido del fondo de la imagen original, para después tener un mayor porcentaje de identificación. Esto fue un requisito muy importante para poder realizar las metodologías del análisis de imagen que se llevaron a cabo para la identificación de las aletas dorsales secas de tiburones, la cual fue calculada mediante el software desarrollado en Matlab R2019b (https://www.mathworks.com/company/newsroom/mathworks-announces-release-r2019b-of-matlab- and-simulink.html). Para tales fines, se diseñó filtros de correlación no lineal, y redes neuronales. Tabla 2. Lista de aletas dorsales secas de especies de tiburones. Se muestran los nombres comunes, científicos, foto de aleta dorsal seca y una imagen de las 37 especies de tiburones analizadas en este proyecto de tesis. Las especies CITES están representadas de color azul claro y especies no CITES están representadas de color amarillo. Nombre común Y Nombre científico Foto de aleta dorsal seca Imagen de tiburón Tiburón martillo (Sphyrna lewini) https://www.mathworks.com/company/newsroom/mathworks-announces-release-r2019b-of-matlab-and-simulink.html https://www.mathworks.com/company/newsroom/mathworks-announces-release-r2019b-of-matlab-and-simulink.html 10 Tiburón martillo liso (Sphyrna zygaena) Tiburón martillo gigante (Sphyrna mokarran) Tiburón cailón (Lamna nasus) Tiburón blanco (Carcharodon carcharias) Tiburón oceánico (Carcharhinus longimanus) Tiburón sedoso (Carcharhinus falciformis) 11 Tiburón zorro (Alopias vulpinus) Tiburón pelágico (Alopias pelagicus) Tiburón de anteojos (Alopias superciliosus) Tiburón mako (Isurus oxyrinchus) Tiburón marrajo de aleta (Isurus paucus) Tiburón ballena (Rhincodon typus) 12 Tiburón de morro negro (Carcharhinus acronotus) Tiburón cobrizo (Carcharhinus brachyurus) Tiburón aleta negra (Carcharhinus brevipinna) Tiburón dentiliso (Carcharhinus isodon) Tiburón sarda (Carcharhinus leucas) Tiburón de puntas negras (Carcharhinus limbatus) Tiburón arenero (Carcharhinus obscurus) 13 Tiburón de arrecife del Caribe (Carcharhinus perezi) Tiburón trozo (Carcharhinus plumbeus) Tiburón alinegro (Carcharhinus sealei) Tiburón de noche (Carcharhinus signatus) Tiburón tigre de arena (Carcharhinus taurus) Tiburón tigre (Galeocerdo cuvier) 14 Tiburón gata (Ginglymostoma cirratum) Tiburón nodriza (Ginglymostoma unami) Tiburón musola media luna (Mustelus lunulatus) Tiburón musola lisa (Mustelus mustelus) Tiburón limonero (Negaprion acutidens) Tiburón limón (Negaprion brevirostris) Tiburón azul (Prionace glauca) 15 Tiburón lechoso (Rhizoprionodon acutus) Tiburón naríz afilada del Pacífico (Rhizoprionodon longurio) Tiburón cabeza de pala (Sphyrna tiburo) Tiburón de arrecife de punta blanca (Trianodon obesus) 2.2 Filtros de correlación clásicos Son filtros de correlación lineal que pueden ser implementados en un sistema correlador tanto óptico como digital. Existen tres tipos de filtros que se mencionan a continuación. 16 2.2.1 Filtro clásico de acoplamiento (CMF) El filtro clásico de acoplamiento (CMF, por sus siglas en inglés) introducido por (Vander Lugt, 1964), generó un interés en el desarrollo de nuevo filtros de correlación optimizados para un mejor desempeño en ciertas áreas del reconocimiento de patrones. Tiene la ventaja de optimizar la salida de éste cuando la señal de entrada (imagen problema) se encuentra degradada por ruido blanco aditivo. Las desventajas del CMF son que produce un pico de correlación bastante ancho lóbulos laterales grandes, discriminación relativamente baja y en su implementación óptica tiene poca eficiencia de luz. La función de transferencia para el CMF convencional, ( )CMFH u está dada por *( ) ( ) , ( ) CMF n T u H u a P u = (1) donde *( )T u , ( )nP u y a son el complejo conjugado de la transformada de Fourier del objeto a reconocer ( )u , función espectral de ruido y una constante compleja, respectivamente (Guerrero-Moreno and Álvarez-Borrego, 2008). 2.2.2 Filtro solo de fase Este filtro solo de fase (POF, por sus siglas en inglés) fue propuesto por (Horner and Gianino, 1982), donde mencionan que este filtro maximiza la eficiencia de luz en un sistema óptico. Una de sus desventajas es la poca capacidad de discriminación cuando un objeto de bajo contraste se encuentra en una escena con un fondo complicado (Javidi, 1989). La función de transferencia de un POF, ( )POFH u está dada por * ( )( )( ) , ( ) ri u POF T u H u e T u −= = (2) donde ( )T u , *( )T u y son la transformada de Fourier de la imagen, el complejo conjugado de la transformada de Fourier y la fase de la imagen respectivamente (Guerrero-Moreno and Álvarez-Borrego, 2008). 17 2.2.3 Filtro inverso El filtro espacial es el filtro inverso (IF, por sus siglas en inglés), que minimiza el criterio de energía a correlación (PCE, por sus siglas en inglés). Este tipo de filtro produce en el plano de correlación, un pico más estrecho que los filtros anteriores, si la imagen de referencia y la imagen problema son iguales, se produce un pico tipo función delta. También, es utilizado en restauración de imágenes (recuperación de imágenes degradadas). Una desventaja es que produce un alto nivel de ruido de fondo en el plano de salida (Guerrero-Moreno and Álvarez-Borrego, 2008). La función de transferencia de IF, ( )IFH u está dada por * 2 ( ) 1 ( ) , ( )( ) IF T u H u T uT u = = (1) donde ( )T u y *( )T u son la transformada de Fourier de la imagen y su complejo conjugado, respectivamente. 2.3 Filtro de correlación no lineal (ley k) La metodología está basada en un operador no lineal, la cual realizó varias correlaciones no lineales entre las imágenes de entrenamiento con la imagen problema o referencia. En general podemos expresar el filtro no lineal (NF, por sus siglas en inglés) como: ( , )( , ) ,0 1, k i u vNF F u v e k−= (2) donde ( , )F u v es la transformada de Fourier del objeto que deseamos reconocer, ( , )F u v es el módulo de ( , )F u v y k es el operador no lineal (Guerrero-Moreno and Álvarez-Borrego, 2008). Cambiando el valor de k a 1 obtenemos un filtro CMF, a 0 un filtro POF y a -1 un IF.Cuando el operador no lineal k modifica la transformada de Fourier de la imagen problema y la imagen de referencia, consideramos que tenemos un procesador no lineal. Valores intermedios de k (0.1, 0.2, 0.3 … 0.9) 18 permiten variar las características del procesador, como la capacidad de discriminación y su variancia a iluminación (Javidi, 1989). 2.3.1 Obtención del filtro compuesto no lineal En la Figura 1 se obtiene el filtro compuesto no lineal. Primer paso, hay un conjunto de n imágenes en la entrada del sistema (Figura 1,i), cada una representada como una función bidimensional y una sucesión de funciones de la forma: 1 21( , ) ( , ), ( , ),...., ( , ). n i ni f x y f x y f x y f x y = = (3) Después, a cada una de las imágenes de aletas secas de tiburones se les aplicó la transformada de Fourier (FFT), y como la transformada de Fourier es una integral lineal, tomamos la suma total de las FFT que está expresada de la siguiente manera: 1 ( , ) ( , ) . n i i F u v F u v = = (4) Así obtuvimos el módulo de la transformada de Fourier representado como ( , )F u v , de esta manera el desplazamiento de la imagen no es afectado en el plano de Fourier (Figura 1,ii). Posteriormente se multiplicó por un operador no lineal k , el cual afecta al módulo de la transformada de Fourier (Figura 1,iii). Este mismo procedimiento se aplicó para la imagen problema, después ambos resultados obtenidos de las imágenes de entrenamiento y el obtenido de la imagen problema se multiplicaron (Figura 1,iv). Finalmente, se le aplicó la transformada de Fourier inversa para obtener un resultado en un plano de correlación (Figura 1,v). 19 Figura 1. Diagrama de la obtención del filtro compuesto no lineal. 2.4 Redes neuronales 2.4.1 Patrón binario local El patrón binario local (LBP, por sus siglas en inglés) es un método propuesto por (Ojala et al., 1996), es un descriptor simple y eficiente que describe las texturas (bordes, esquinas, manchas y regiones planas), es invariantes a rotación y escala. Etiqueta los pixeles de una imagen estableciendo un umbral de pixeles en una determinada vecindad de cada pixel con el valor del centro, multiplicados por potencias de dos y luego sumados para formar el nuevo valor para el pixel central. El valor de salida del LBP para un bloque de 3x3 pixeles se puede definir de la siguiente manera (Ojala et al., 2002). ( ) 7 , 0 2 ,pP R p c p LBP S g g = = − (5) donde cg corresponde al valor gris del pixel central, pg ( p = 0,1,2…,7) son los valores de grises que rodean 8 pixeles. 20 2.4.2 Red neuronal Una red neuronal es una serie de nodos que imita el sistema neuronal animal, lo que da como resultado capacidades de procesamiento de información similar al cerebro. Las conexiones entre estos nodos se especifican mediante ponderaciones que se aprenden durante el proceso de entrenamiento (Larrañaga et al., 2003). La red neuronal está formada por los siguientes elementos: Neuronas: son procesadores de información sencillos. Capa de entrada: compuesta por neuronas que reciben datos o señales precedentes del entorno ( 1, 2, 3... 59)x x x x . En esta ocasión la capa de entrada es el vector característico de las imágenes (Figura 3). Capa oculta: Proporciona grados de libertad a la red neuronal, los cuales es capaz de representar determinadas características del entorno que trata de modelar. La Figura 2, muestra el funcionamiento de la neurona, donde los pesos de la capa de entrada se suman y posteriormente a ese valor se le resta el sesgo. Después, el valor obtenido se le aplica la función sigmoide. Sesgo: Valor aleatorio que define la propia red neuronal. Representado con la letra b (Figura 3). Peso: Valor aleatorio que define la propia red neuronal. Tiene una distribución gaussiana. Representado con la letra w (Figura 3). Función de activación sigmoidea: Es una función matemática que tiene una curva característica en forma de “S”, que transforma los valores entre el rango 0 y 1. La función sigmoidea también se llama curva sigmoidea. Es una de las funciones de activación no lineal más utilizada. Su expresión matemática es la siguiente: 1 1 x y e− = + (8) Capa de salida: se compone de neuronas que proporcionan la respuesta de la red neuronal. En este caso, son 38 salidas ( 1, 2, 3... 38)y y y y (Figura 3). 21 Figura 2. Diagrama de una neurona en la capa oculta. Figura 3. Esquema de una red neuronal con una capa oculta. 22 2.4.3 Método de Levenberg-Marquardt El método de Levenberg-Marquardt (MLM) es un método iterativo para resolver problemas no lineales de estimación de parámetros por mínimos cuadrados. La técnica fue derivada primero por Levenberg modificando una norma ordinaria de mínimos cuadrados. Más tarde, Marquardt derivó básicamente la misma técnica mediante una estrategia diferente. La intención de Marquardt fue obtener un método que tendiera al método de Gauss en la vecindad del mínimo de la norma ordinaria de mínimos cuadrados y que tendiera al método del descenso infinito en la proximidad de la consideración inicial (Obed, 2004). La técnica es eficiente para resolver problemas lineales y no lineales de estimación de parámetros. Sin embargo, pueden surgir dificultades en los problemas no lineales de estimación que involucran un gran número de parámetros desconocidos, debido al tiempo consumido en el cálculo de la matriz de sensibilidad (Obed, 2004). También, a MLM se le conoce como “descenso de gradiente”, el cual puede ser visto como un optimizador local en un espacio de búsqueda continuo. Su objetivo consistió en encontrar el mínimo global de la función de error (Figura 4). Opera de la siguiente manera. Se parte en t = 0 de una cierta configuración de peso 0w , y se calcula la dirección de la máxima variación de la función ( )E w en 0w , la cual vendrá dada por su gradiente en 0w . El sentido de la máxima variación apuntará hacia una colina en la hipersuperficie que representa a la función ( )E w . A continuación, se modifican los parámetros w siguiendo el sentido opuesto al indicado por el gradiente de la función de error. De esta manera se lleva a cabo un descenso por la hipersuperficie de error, aproximándose en una cierta cantidad al valle (mínimo local). El proceso anterior de descenso por el gradiente se itera hasta que dicho número local es alcanzado. Matemáticamente se expresaría de la siguiente forma: ( ) ( ) ( )1 ,w t w t E w+ = − (9) donde (que puede ser diferente para cada paso) indica el tamaño del paso tomado en cada iteración (Figura 4). 23 Figura 4. Esquema del método de descenso por gradiente. 2.4.4 Red Neuronal con el método Levenberg-Marquardt Para poder aplicar la red neuronal se realizaron los siguientes pasos. Primer paso, las especies con imágenes menores a 100 se seleccionó una imagen al azar y a esa imagen se rotó cada 2° hasta completar 100 imágenes. De esta forma, se tuvo un total de 4,154 imágenes (Tabla 3). Tabla 3. Número de aletas dorsales secas de tiburones con rotación y fondo blanco. Además, se añade el grupo control (aleatorio) y el total de imágenes. Especie Número de aletas con fondo blanco y rotación Sphyrna lewini 262 Sphyrna zygaena 112 Sphyrna mokarran 101 Lamna nasus 104 Carcharodon carcharias 101 Carcharhinus longimanus 102 Carcharhinus falciformis 101 Alopias vulpinus 104 24 Alopias pelagicus 100 Alopias superciliosus 113 Isurus oxyrinchus 104 Isurus paucus 103 Rhincodon typus 104 Carcharhinus acronotus 104 Carcharhinus brachyurus 102 Carcharhinus brevipinna 112 Carcharhinus isodon 100 Carcharhinus leucas 104 Carcharhinus limbatus 101 Carcharhinus obscurus 117 Carcharhinus perezi 103 Carcharhinus plumbeus 101 Carcharhinus sealei 106 Carcharhinus signatus 102 Carcharhinus taurus 108 Galeocerdo cuvier 113 Ginglymostomacirratum 102 Ginglymostoma unami 104 Mustelus lunulatus 103 Mustelus mustelus 105 Negaprion acutidens 102 Negaprion brevirostris 102 Prionace glauca 119 Rhizoprionodon acutus 101 Rhizoprionodon longurio 110 Sphyrna tiburo 105 Trianodon obesus 102 Aleatorio 115 Total 4,154 25 Posteriormente, se utilizó una ventana de 3x3 pixeles para poder aplicar la función Patrón binario local. El proceso fue el siguiente: En cada imagen, se utilizó la ventana de 3x3 pixeles, comenzando en la parte superior izquierda de la imagen y desplazándose hacia la derecha hasta llegar a la última columna. Enseguida, se baja un renglón y nuevamente se desplaza de izquierda a derecha; así hasta llegar al final de la imagen (Figura 5). Figura 5. Desplazamiento de ventana de 3x3 en una imagen de aleta seca de tiburón. A continuación, con ayuda de la Figura 5 se explicará el proceso que se realizó en cada ventana de 3x3 pixeles. Para explicar el proceso de la ventana 3x3, la Figura 6 muestra un ejemplo de cómo se obtiene la función en una imagen original. Primero, la función LBP comparará el pixel del centro (6) con los pixeles alrededor de este (Figura 6, i). Los valores de los pixeles que fueron mayores o iguales a 6 se les asignó el número 1 y los valores que fueron menores que 6 se les asignó el 0 (Figura 6, ii). Teniendo como resultado una matriz binaria. Posteriormente, se genera una matriz decimal utilizando la base dos, donde el pixel que se encuentra a lado derecho del pixel central se le asignó el 1. El 1 se obtuvo elevando 02 . Después, elevamos 12 2= , 22 4= ….. 72 128= (Figura 6, iii). En seguida se multiplicaron la matriz binaria y la matriz decimal pixel por pixel, donde obtenemos una matriz resultante de las matrices anteriores (Figura 6, iv). Los nuevos valores se suman y se obtiene un nuevo valor que representa un nuevo pixel en una nueva matriz. Este procedimiento se realizó hasta finalizar el tamaño de la imagen. 26 Figura 6. Extracción de valores con la función Patrón binario local en una ventana de 3x3. A partir de los nuevos valores de los pixeles de la matriz, se realizó un histograma normalizado con 59 bandas que forman un vector característico de textura de una sola imagen. El histograma consiste en contar cuantos pixeles se encuentran en el 0,1,2…. Hasta el 58. Después, se realizó la red neuronal compuesta por tres capas. La primera capa es la capa de entrada que contiene las 59 características. Después, se tiene la capa oculta, la cual es una sola capa con 20 neuronas y la tercera capa representa la capa de salida, con 38 valores de salidas. Cada una de estas salidas corresponde a una especie de aleta dorsal seca de tiburón. En la capa de entrada, se tienen 59 características del vector. A cada una de estas características se le asignó un peso y error aleatorio. En la capa oculta, los valores de los pesos se suman y al final se resta el error. El valor obtenido es afectado por una función de activación llamada función sigmoidal. Posteriormente, este mismo procedimiento se realiza para poder obtener el valor en la capa de salida. La capa de salida está compuesta por 38 salidas. De éstas, 37 salidas pertenecen a cada una de las especies de tiburones estudiadas en esta tesis y 1 grupo de control. Se realizó este grupo control para cuando se identifique una aleta dorsal seca y esta no sea alguna de las 37 especies, la red la identificará en el grupo control y así evitar que hay un posible error cuando la identifique con otra especie Estos pasos de la red neuronal se realizan una y otra vez como un ciclo. En cada red neuronal se selecciona aleatoriamente el 80% del total de imágenes para entrenar, 10% para probar y el otro 10% para validar la red neuronal. Así hasta obtener el valor mínimo global de la función de error. A esta red neuronal se le conoce como red Levenberg-Marquardt. 27 2.4.5. Sensibilidad y Especificidad Por último, a cada uno de los resultados se le aplicó el porcentaje de sensibilidad y especificidad para poder saber el porcentaje de efectividad de la metodología La sensibilidad se define como la proporción de individuos correctamente identificados de que si pertenecen a la especie de aletas 1. La fórmula de la sensibilidad esta expresada de la siguiente manera: VP VP FN+ (10) Donde, VP son los valores positivos y FN los falsos negativos. La especificidad se define como la proporción de individuos correctamente identificados de que no pertenecen a la especie de aletas 1. La fórmula de la especificidad esta expresada de la siguiente manera: VN VN FP+ (11) Donde, VN son los valores negativos y FP los falsos positivos (Sierra Arango, 2003). 28 Capítulo 3. Resultados 3.1 Filtro compuesto no lineal Las simulaciones numéricas realizadas para el uso de los filtros compuestos no lineales dieron los resultados más representativos para poder identificar las aletas secas de tiburones de las especies listadas en CITES como aquellas no listadas (n=37). Los filtros compuestos especies-específicos desarrollados para las 37 especies de tiburones demostraron una identificación con un porcentaje de sensibilidad y especificidad del 100% (Figura 7, Figura 8, Figura 9 y Figura 10, Anexo I, Tabla 4). A continuación, se muestran los resultados más representativos utilizando el filtro compuesto no lineal pertenecientes a S. lewini, S. zygaena, S. mokarran, S. tiburo, y P. glauca. En el Anexo I se encuentran las demás figuras de aletas secas de tiburones. En la Figura 7 se observa que la identificación de las aletas dorsales secas de tiburón martillo común Sphyrna lewini (n=262) con el resto de las 37 aletas secas de especies de tiburones (n=1029). En la Figura 7, cada línea no consecutiva representa la última aleta seca de cada especie de tiburón. A partir de estos resultados, se puede observar que hay una discriminación de un 100% entre el filtro compuesto especie-específicos de S. lewini cuando se correlaciona con imágenes de aletas dorsal secas de la misma especie (Figura 7). Figura 7. Identificación de las aletas dorsales secas de tiburón martillo común (Spyrna lewini) utilizando el filtro compuesto no lineal. El color rojo representa las 262 aletas que pertenecen a Spyrna lewini. El color naranja representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie. 29 De la misma manera como en S. lewini, el filtro compuesto especie-específico para las aletas dorsal secas de S. zygaena pudo discriminar en un 100% las imágenes de aletas dorsales secas con respecto a las demás especies (Figura 8). En la imagen, cada línea no consecutiva representa la última aleta seca de cada especie de tiburón. En esta figura se observa que las 92 aletas secas de esta especie (círculos rojos) se identificaron de manera correcta con respecto a las demás especies de aletas de tiburones (cruces de color azul y amarillo). En la Tabla 4, se muestra el porcentaje de sensibilidad y especificidad de 100% de esta especie con respecto a las demás especies. Figura 8. Identificación de las aletas dorsales secas de tiburón martillo liso (Sphyrna zygaena) utilizando el filtro compuesto no lineal. El color rojo representa las 92 aletas que pertenecen a Sphyrna zygaena. El color azul y amarillo representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie. La Figura 9 representa la identificación de las aletas dorsales secas del tiburón azul (Prionace glauca). En la imagen, cada línea no consecutiva representa la última aleta seca de cada especie de tiburón. En esta figura se observa que las 39 aletas secas de esta especie (círculos rojos) se identificaron de manera correcta con respecto a las demás especiesde aletas de tiburones (cruces de color azul y amarillo). En la Tabla 4, se muestra el porcentaje de sensibilidad y especificidad de 100% de esta especie con respecto a las demás especies. 30 Figura 9. Identificación de las aletas dorsales secas de tiburón azul (Prionace glauca) utilizando el filtro compuesto no lineal. El color rojo representa las 39 aletas que pertenecen Prionace glauca. El color azul representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie. En la Figura 10 se presenta la identificación de las aletas dorsales secas de tiburón cabeza de pala (Sphyrna tiburo). En la Figura 10 se observa que las cinco aletas secas de esta especie (círculos rojos) se identificaron de manera correcta con respecto a las demás especies de aletas de tiburones (cruces de color azul). En la Tabla 4, se muestra el porcentaje de sensibilidad y especificidad de 100% de esta especie con respecto a las demás especies. 31 Figura 10. Identificación de las aletas dorsales secas de tiburón cabeza de pala (Sphyrna tiburo) utilizando el filtro compuesto no lineal. El color rojo representa las 5 aletas que pertenecen al tiburón martillo cabeza de pala. El color azul representa las demás aletas secas de diferentes especies de tiburones. Las líneas rojas no consecutivas representan la última aleta dorsal seca de cada especie. Tabla 4. Número de aletas dorsales secas de las especies de tiburones y el porcentaje de sensibilidad y especificidad de cada una de las especies de aletas dorsales secas de tiburones con respecto a las demás especies de aletas dorsales secas de tiburones utilizando el filtro compuesto no lineal. Nombre científico Número de aletas dorsales secas % Sensibilidad % Especificidad Sphyrna lewini 262 100 100 Sphyrna zygaena 92 100 100 Sphyrna mokarran 16 100 100 Lamna nasus 9 100 100 Carcharodon carcharias 16 100 100 Carcharhinus longimanus 22 100 100 Carcharhinus falciformis 101 100 100 Alopias vulpinus 24 100 100 32 Alopias pelagicus 75 100 100 Alopias superciliosus 98 100 100 Isurus oxyrinchus 49 100 100 Isurus paucus 3 100 100 Rhincodon typus 4 100 100 Carcharhinus acronotus 4 100 100 Carcharhinus brachyurus 2 100 100 Carcharhinus brevipinna 22 100 100 Carcharhinus isodon 5 100 100 Carcharhinus leucas 19 100 100 Carcharhinus limbatus 51 100 100 Carcharhinus obscurus 27 100 100 Carcharhinus perezi 3 100 100 Carcharhinus plumbeus 1 100 100 Carcharhinus sealei 6 100 100 Carcharhinus signatus 2 100 100 Carcharhinus taurus 8 100 100 Galeocerdo cuvier 33 100 100 Ginglymostoma cirratum 2 100 100 Ginglymostoma unami 4 100 100 Mustelus lunulatus 3 100 100 Mustelus mustelus 5 100 100 Negaprion acutidens 2 100 100 Negaprion brevirostris 2 100 100 Prionace glauca 39 100 100 Rhizoprionodon acutus 1 100 100 Rhizoprionodon longurio 10 100 100 Sphyrna tiburo 5 100 100 Trianodon obesus 2 100 100 33 La Tabla 4 muestra el número de aletas dorsales secas de las especies y el porcentaje de sensibilidad y especificidad que se obtuvo con cada una de las especies de aletas dorsales secas con el resto de las especies de aletas dorsales secas. Se observa que todas las especies presentan el 100% tanto en sensibilidad y especificidad. 3.2 Red Neuronal Se realizaron cuatro experimentos con la red neuronal variando el número de neuronas en la capa oculta, números de especies y ruido en las imágenes. El segundo experimento se llevó a cabo con 15 corridas de la red neuronal siendo el mejor, debido a que se obtuvo el 90% de eficacia con 20 neuronas en la capa oculta. En las demás corridas obtuvimos entre 84% y 88% de eficacia. A continuación, se presentan los experimentos. Tabla 5. Experimento 1. Quince corridas de la red neuronal con 38 especies y 10 neuronas en la capa oculta. Especies # de red Capa Epocas Tiempo % eficacia Neuronas 38 1 2 128 44 MIN 88.6 10 38 2 2 127 43 MIN 88.4 10 38 3 2 127 20 MIN 86.1 10 38 4 2 122 49 MIN 85.8 10 38 5 2 138 44 MIN 87.4 10 38 6 2 125 43 MIN 83.8 10 38 7 2 128 77 MIN 86.3 10 38 8 2 128 46 MIN 88.9 10 38 9 2 128 47 MIN 88.6 10 38 10 2 127 22 MIN 86.1 10 38 11 2 127 43 MIN 88.4 10 38 12 2 122 44 MIN 85.8 10 38 13 2 138 37 MIN 87.4 10 38 14 2 125 40 MIN 83.8 10 38 15 2 128 60 MIN 86.3 10 34 En la Tabla 5 se muestra los resultados obtenidos en el primer experimento con las 37 especies de tiburones, una carpeta de control y con 10 neuronas en la capa oculta. Se realizaron 15 corridas de la red neuronal para ver cuál corrida tiene el mejor porcentaje de eficacia. En este caso, el porcentaje mayor fue de 88.9. Tabla 6. Experimento 2. Quince corridas de la red neuronal con 38 especies y 20 neuronas en la capa oculta. Especies # de red Capa Epocas Tiempo % eficacia Neuronas 38 1 2 179 90 MIN 87.8 20 38 2 2 259 120 MIN 87.6 20 38 3 2 166 82 MIN 87.8 20 38 4 2 128 76 MIN 86.3 20 38 5 2 151 89 MIN 88.8 20 38 6 2 150 78 MIN 90.6 20 38 7 2 201 99 MIN 90.3 20 38 8 2 161 83 MIN 84.9 20 38 9 2 179 94 MIN 87.8 20 38 10 2 259 134 MIN 87.6 20 38 11 2 166 92 MIN 87.8 20 38 12 2 151 78 MIN 88.8 20 38 13 2 150 66 MIN 90.6 20 38 14 2 201 89 MIN 90.3 20 38 15 2 161 72 MIN 84.9 20 La Tabla 6 muestra el segundo experimento que se realizó con 20 neuronas en la capa oculta y con las 37 especies de aletas de tiburones más una de control. En 4 corridas de la red neuronal se tuvo un 90% de eficacia. La Figura 11 representa la matriz de confusión que contiene el porcentaje total de 90.6% de eficacia que se obtuvo en la tabla V. La diagonal de color verde representa el número de imágenes correctamente identificadas y los cuadros color rojo representan las imágenes que no fueron correctamente identificadas y que la misma red las identificó en otra especie. Por último, en el cuadro color gris, se encuentra el 90.6% en color verde y en color rojo 9.4%. El 90.6% representa el porcentaje de las especies que fueron 35 correctamente identificadas y el 9.4% representa el porcentaje de las imágenes de aletas que no fueron identificadas correctamente. La Tabla 7 muestra los porcentajes de sensibilidad y especificidad para cada una de las especies de la red neuronal. La última columna representa los porcentajes de eficacia de cada una de las imágenes de aletas que salieron de la red neuronal (capa de salida) y el último renglón representa los porcentajes de eficacia de cada una de las especies con respecto al target. El target es una base de datos binaria, donde están correctamente identificadas las imágenes. Tabla 7. Porcentaje de sensibilidad y especificidad de cada una de las especies de aletas dorsales secas de tiburones con respecto a las demás especies de aletas dorsales secas de tiburones utilizando la red neuronal con un 90.6 % total de eficacia. Nombre científico % Sensibilidad % Especificidad (Sphyrna lewini) 92.4% 98.05% (Sphyrna zygaena) 66.96% 99.72% (Sphyrna mokarran) 78.21% 99.46% (Lamna nasus) 91.34% 99.72% (Carcharodon carcharias) 88.10% 99.4% (Carcharhinus longimanus) 87.25% 99.86% (Carcharhinus falciformis) 65.34% 99.24% (Alopias vulpinus) 88.46% 99.72% (Alopias pelagicus) 83% 99.37% (Alopias superciliosus) 90.26% 99.70% (Isurus oxyrinchus) 71.15% 99.16% (Isurus paucus) 98.05% 99.89% (Rhincodon typus) 98.07% 100% (Carcharhinus acronotus) 96.15% 99.94% (Carcharhinus brachyurus) 97.05% 99.91% (Carcharhinus brevipinna) 92.85% 99.86% (Carcharhinus isodon) 98% 100% (Carcharhinus leucas) 85.57% 99.67% (Carcharhinus limbatus) 56.43% 99.91% (Carcharhinus obscurus) 89.74% 99.45% (Carcharhinus perezi) 95.14% 99.59% (Carcharhinus plumbeus) 100% 99.83% 36 (Carcharhinus sealei) 95.28% 99.91% (Carcharhinus signatus) 97.05% 99.80% (Carcharhinus taurus) 95.37% 99.61% (Galeocerdo cuvier)
Compartir