Implementación de una API con base en redes neuronales convolucionales para la validación e identificación de árboles en Chiclayo

Abstract

En esta investigación se implementó una API REST basada en redes neuronales convolucionales para la validación e identificación de especies de árboles en Chiclayo, permitiendo abordar la problemática de la carencia de herramientas tecnológicas eficientes para una adecuada gestión del arbolado urbano, donde la falta de identificación precisa de especies dificulta su conservación y manejo sostenible. Utilizando la metodología CRISP-DM, se desarrollaron dos modelos con arquitectura ResNet50: uno de validación que alcanzó 98.43% de precisión en la clasificación binaria de árboles, y otro de identificación de especies con 96% de precisión media. Para el entrenamiento, se generaron dos conjuntos de datos: uno basado en CIFAR-100 con 60,000 imágenes diversas y otro específico con 2568 imágenes de árboles nativos de Chiclayo. La API desarrollada identifica con alta precisión cinco especies arbóreas nativas de Chiclayo, presentando una efectividad del 100% para Palmera Real, 97% para Algarrobo y Ponciano, y 93% para Ficus y Molle, con tiempos de respuesta de 2-10 segundos por consulta. La validación del correcto funcionamiento de la API se realizó a través de una aplicación web que integra sus servicios, facilitando pruebas exhaustivas mediante captura y carga de imágenes para comprobar la efectividad del sistema de reconocimiento.

In this research, a REST API based on convolutional neural networks was implemented for the validation and identification of tree species in Chiclayo, allowing to address the problem of the lack of efficient technological tools for proper management of urban trees, where the lack of accurate identification of species hinders their conservation and sustainable management. Using the CRISP-DM methodology, two models were developed with ResNet50 architecture: one for validation that achieved 98.43% accuracy in the binary classification of trees, and another for species identification with 96% average accuracy. For training, two datasets were generated: one based on CIFAR-100 with 60,000 diverse images and another specific one with 2568 images of native trees from Chiclayo. The API developed identifies with high accuracy five native tree species of Chiclayo, presenting an effectiveness of 100% for Palmera Real, 97% for Algarrobo and Ponciano, and 93% for Ficus and Molle, with response times of 2-10 seconds per query. The validation of the correct functioning of the API was carried out through a web application that integrates its services, providing exhaustive tests by capturing and uploading images to check the effectiveness of the recognition system.