Inteligencia artificial aplicada a detección de objetivos pequeños por luz infrarroja

Abstract

La identificación de pequeños objetivos en imágenes infrarrojas es esencial en ámbitos como la vigilancia, la industria aeroespacial y la medicina. Estas imágenes capturan la radiación térmica emitida por los objetos, lo que las hace valiosas en condiciones de baja visibilidad o en entornos con fondos complejos. Sin embargo, la detección de estos objetivos es complicada debido al bajo contraste, la elevada interferencia y el tamaño reducido de los elementos de interés respecto al total de la imagen. Este proyecto analiza el rendimiento de modelos de aprendizaje profundo diseñados para detectar pequeños objetivos en imágenes infrarrojas. Se utilizaron redes neuronales convolucionales (CNN) por su capacidad para aprender patrones espaciales y contextuales complejos. Se evaluaron distintas arquitecturas y se ajustaron para lograr un equilibrio entre precisión y eficiencia computacional. Además, se realizó un análisis detallado de las métricas de rendimiento y la robustez de los modelos evaluados. También se exploraron técnicas de preprocesamiento para mejorar los resultados, como la división del conjunto de datos según el tipo de imagen y la segmentación en mosaicos. Estas estrategias permiten adaptar el procesamiento a las particularidades de cada grupo y mejorar la detección en regiones pequeñas, incrementando así la precisión general. Este trabajo busca ofrecer soluciones prácticas y escalables mediante tecnología avanzada, abordando los desafíos de la detección de pequeños objetivos en imágenes infrarrojas. La combinación de modelos optimizados, preprocesamiento adaptado y evaluación rigurosa permite avanzar en aplicaciones donde la precisión en condiciones adversas es crítica.