Wilson Ricardo, Lopez SanchezHernández Tarazona, Carlos StivenSarmiento Ibagón, Brandon Camilo2025-11-192025-11-192025-11-05http://hdl.handle.net/11349/99862El presente trabajo propone un sistema automatizado de análisis de corales mediante técnicas de visión por computador y aprendizaje profundo. Su objetivo principal es clasificar familias de corales y evaluar el grado de blanqueamiento a partir de imágenes subacuáticas, integrando en un mismo flujo de procesamiento las etapas de recuperación de color, segmentación, clasificación jerárquica y diagnóstico de salud. El sistema implementa un módulo de recuperación cromática basado en el espacio de color YCrCb y la técnica CLAHE (Contrast Limited Adaptive Histogram Equalization), que mejora la luminancia y corrige las dominantes azul-verdosas típicas del entorno submarino. Posteriormente, se aplica un proceso de segmentación híbrido que combina los modelos GroundingDINO y SAM (Segment Anything Model), garantizando una delimitación precisa de los corales frente al fondo marino. La clasificación taxonómica jerárquica se desarrolla sobre una arquitectura ResNet-50 multicabeza, entrenada para predecir de forma simultánea los niveles de familia, género y especie, optimizada con el algoritmo AdamW. Finalmente, el sistema incluye un módulo de detección de blanqueamiento, que analiza el canal de luminancia en el espacio Lab para generar mapas de severidad y cuantificar las áreas afectadas. Los resultados experimentales muestran una mejora significativa en la calidad visual (UIQM +27.3 %, UIConM +36.4 %) y una precisión del 85.69 % a nivel de especie tras integrar los módulos de recuperación y segmentación. El sistema demostró robustez ante variaciones de preprocesamiento y condiciones de iluminación, validándose sobre imágenes reales capturadas en diferentes ambientes marinos. En conclusión, se logró un pipeline integral capaz de convertir información visual submarina en indicadores cuantificables de biodiversidad y estado coralino, contribuyendo al monitoreo automatizado de arrecifes y al fortalecimiento de herramientas tecnológicas para la conservación marina.This research presents an automated coral analysis system based on computer vision and deep learning techniques. The main objective is to classify coral families and evaluate bleaching severity from underwater images, integrating color restoration, segmentation, hierarchical classification, and health assessment into a single processing pipeline. The system includes a color recovery module using the YCrCb color space and CLAHE (Contrast Limited Adaptive Histogram Equalization) to enhance luminance and correct the bluish-green cast common in underwater environments. A hybrid segmentation approach combining GroundingDINO and SAM (Segment Anything Model) ensures accurate coral isolation from complex marine backgrounds. The hierarchical taxonomic classifier is built upon a multi-head ResNet-50 architecture, trained to simultaneously predict family, genus, and species levels, and optimized with the AdamW optimizer for improved convergence and generalization. A bleaching detection module analyzes luminance in the Lab space to produce severity maps and quantify bleached and at-risk regions. Experimental results indicate a notable improvement in image quality (UIQM +27.3%, UIConM +36.4%) and an accuracy of 85.69% at the species level after integrating color recovery and segmentation. The system proved robust against preprocessing and illumination variations, validated with real-world underwater datasets collected under diverse environmental conditions. In conclusion, the proposed end-to-end framework successfully transforms raw underwater imagery into quantitative biological information, supporting automated reef monitoring and contributing to the technological advancement of marine conservation tools.pdfspaVisión por computadorCoralesBlanqueamientoResNet-50SegmentaciónCLAHEClasificación jerárquicaDeep LearningbachelorThesisIngeniería Electrónica -- Tesis y disertaciones académicasOpenAccessComputer visionCoral classificationBleaching detectionResNet-50CLAHEHierarchicalDeep learningUnderwater imagingAbierto (Texto Completo)