Transferencia de Aprendizaje Hacia el Modelo ResNet-50 para la Clasificación de Especies de Aves como Churrín Negruzco, Soterrey Cola Pálida y Soterrey Montés de Pecho Gris

Abstract

El reconocimiento automático de vocalizaciones de aves mediante aprendizaje profundo es una herramienta importante para el monitoreo y la conservación de especies, especialmente en ecosistemas frágiles donde los métodos tradicionales, como el reconocimiento manual por expertos, son costosos y poco escalables. Este trabajo tuvo como objetivo determinar el porcentaje global de acierto al aplicar transferencia de aprendizaje al modelo ResNet-50 para clasificar las vocalizaciones de tres especies de aves ecuatorianas: Churrín Negruzco, Soterrey Cola Pálida y Soterrey Montés de Pecho Gris. Siguiendo la metodología CRISP-ML(Q), se desarrollaron tres fases principales para el primer objetivo. En la primera fase, se realizó una entrevista con el experto en Machine Learning, Ingeniero Oscar Cumbicus como contexto inicial para guiar el desarrollo del proyecto y definir su viabilidad

técnica. En la segunda fase, se recopilaron 1164 grabaciones desde la plataforma Xeno- canto, las cuales fueron preprocesadas, normalizadas y transformadas en espectrogramas.

Además, se aplicaron técnicas de aumento de datos para mejorar la representatividad. En la tercera fase, se ajustó el modelo ResNet-50 mediante transferencia de aprendizaje, optimizando hiperparámetros e implementando callbacks para mejorar el rendimiento y prevenir el sobreajuste. Para el segundo objetivo, se ejecutó la fase de evaluación de modelos de ML, en la que el modelo alcanzó una precisión del 91% en el conjunto de entrenamiento y del 89.33% en el conjunto de prueba. Su desempeño fue validado con audios externos mediante una interfaz web que permitió su uso por usuarios no especializados, logrando un porcentaje global de acierto del 91.19%. Estos resultados no solo demuestran la solidez del enfoque propuesto, sino que también establecen un referente en la clasificación bioacústica, ofreciendo nuevas perspectivas para el desarrollo de herramientas avanzadas en el estudio y conservación de la biodiversidad.