tesis_Luis Alfredo Carrillo Aguilar_20oct 2021

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)