Segmentación semántica en entornos de Edge computing para la detección de colonias de cianobacterias ; Semantic segmentation in Edge computing environments for cyanobacterial blooms detection

Trabajo de Fin de Máster en Internet de las cosas, Facultad de Informática UCM, Departamento de Arquitectura de Computadores y Automática, Curso 2022/2023. ; El presente trabajo de máster aborda el problema de detección de colonias de ciano bacterias mediante métodos de segmentación semántica basados en aprendizaje profundo. Además, se propone el uso de un dispositivo Edge para reducir la carga y el costo aso ciados a otros métodos de análisis. El trabajo hace uso de la arquitectura DeepLabv3+ con varios extractores de características pre-entrenados. Se han realizado experimentos de cuantización y se ha evaluado el rendimiento y el compromiso entre rendimiento y calidad de los modelos. Los resultados muestran que DeepLabv3+ (en combinación con el extractor ResNet50v02) es el modelo óptimo en términos de rendimiento y precisión mantenida en un entorno Edge. Se plantean futuras líneas de investigación, como el uso de aprendizaje semisupervisado para abordar la limitación de datos etiquetados. En conclusión, este es tudio reafirma la efectividad de los métodos de segmentación semántica en la detección de colonias de cianobacterias y ofrece una solución prometedora para abordar este problema en entornos de Edge. ; The present master’s thesis addresses the problem of cyanobacterial colony detection using deep learning-based semantic segmentation methods. Additionally, the use of an Edge device is proposed to reduce the burden and cost associated with other analysis methods. The work utilizes the DeepLabv3+ architecture with multiple pre-trained back bones. Quantization experiments have been conducted, evaluating the performance and trade-off between performance and model quality. The results show that DeepLabv3+ (in combination with ResNet50v02 as the backbone) is the optimal model in terms of performance and sustained accuracy in an Edge environment. Future research directions are proposed, such as the use of semi-supervised learning to address the limitation of la beled data. In conclusion, this study reaffirms the ...