Aplicación de modelos de aprendizaje automático en la detección de asbesto cemento en imágenes multiespectrales

Resumen

Introducción: La detección de asbesto cemento ha sido predominantemente realizada utilizando datos hiperespectrales. El desafío radica en mejorar la eficiencia de la detección sin comprometer la precisión, especialmente en contextos donde solo están disponibles imágenes multiespectrales.
Objetivos: El objetivo principal de este estudio es aplicar modelos de aprendizaje automático para la detección de asbesto cemento en imágenes multiespectrales.
Metodología: La investigación se llevó a cabo utilizando una adaptación de cuatro fases de la metodología CRISP-DM, que incluyó los siguientes pasos: Creación del dataset: Se recopiló y preparó un conjunto de datos a partir de una imagen multiespectral de referencia de la ciudad de Cartagena. Evaluación de las bandas relevantes: Se seleccionaron las bandas espectrales más relevantes para la detección de asbesto cemento. Entrenamiento y evaluación de modelos: Se entrenaron y evaluaron cuatro modelos de aprendizaje automático: kNN, árboles de decisión, máquinas de soporte vectorial (SVM) y regresión logística. Despliegue del mejor modelo: Finalmente, el modelo con mejor rendimiento fue desplegado sobre la imagen de referencia para evaluar su desempeño en un escenario real.
Resultados: de los cuatro modelos evaluados, el modelo de árboles de decisión demostró la mayor eficiencia y consistencia en los conjuntos de entrenamiento y prueba, logrando un valor de 0.93 tanto en las métricas de Precisión como de Recall. En contraste, el modelo de regresión logística fue el que obtuvo el peor rendimiento, con valores de 0.829 y 0.875 en Precisión y Recall, respectivamente.
Conclusiones: el modelo propuesto de árboles de decisión demostró ser una herramienta efectiva y consistente para la detección de asbesto cemento en imágenes multiespectrales, con un buen balance entre precisión y recall. Este modelo ofrece una solución viable para la detección automática de materiales en contextos donde solo se disponen de imágenes multiespectrales y puede servir como referencia tanto en el ámbito académico como industrial para su integración en sistemas de detección de materiales.