WildEye: Sistema de reconocimiento y rescate de animales en peligro de extinción mediante aprendizaje profundo

Alejandro Corro Sabino

doi:10.22490/25394088.10444

Vol. 20 Núm. 1 (2026)

Publicado 23-02-2026

Licencia

Derechos de autor 2026 Publicaciones e Investigación

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

Cuando PUBLICACIONES E INVESTIGACIÓN recibe la postulación de un original por parte de su autor, ya sea a través de correo electrónico o postal, considera que puede publicarse en formatos físicos y/o electrónicos y facilitar su inclusión en bases de datos, hemerotecas y demás sistemas y procesos de indexación. PUBLICACIONES E INVESTIGACIÓN autoriza la reproducción y citación del material de la revista, siempre y cuando se indique de manera explícita el nombre de la revista, los autores, el título del artículo, volumen, número y páginas. Las ideas y conceptos expresados en los artículos son responsabilidad de los autores y en ningún caso reflejan las políticas institucionales de la UNAD

Artículo de Investigación

WildEye: Sistema de reconocimiento y rescate de animales en peligro de extinción mediante aprendizaje profundo

DOI: https://doi.org/10.22490/25394088.10444

Alejandro Corro Sabino Universidad Simón Bolívar

PDF

Resumen
Referencias

WildEye propone una plataforma web que integra un clasificador de imágenes, basado en redes neuronales convolucionales (CNN, por sus siglas en inglés, Convolutional Neural Networks) con un flujo de gestión de reportes para facilitar la identificación y el rescate de animales potencialmente en peligro de extinción. El sistema permite a los usuarios subir imágenes, obtener la ubicación geográfica de la imagen a partir de metadatos, clasificar el ejemplar y asignar el reporte a las autoridades o corporaciones responsables del departamento y país correspondiente. El modelo se implementó con TensorFlow/Keras y se entrenó con un conjunto de más de 5000 imágenes, distribuidas en 90 categorías. Con este sistema se alcanzó una precisión reportada del 99 % en entrenamiento y del 90 % en pruebas tras 35 épocas (pérdida menor al 1 %). El artículo presenta la metodología de recolección y preprocesamiento, describe el procedimiento de entrenamiento y las métricas de evaluación, analiza limitaciones (por ejemplo, falta de etiquetado explícito de especies en peligro en el conjunto de datos) y propone líneas de trabajo futuras (ampliación del conjunto con etiquetas de estatus de conservación, validación en campo y adopción de modelos de detección o segmentación para fortalecer la identificación). Los resultados muestran el potencial de integrar aprendizaje profundo y plataformas colaborativas para acelerar la respuesta ante avistamientos y respaldar acciones de conservación.

Palabras clave: Aprendizaje profundo, Redes neuronales convolucionales, Reconocimiento de especies, Rescate de fauna, Plataforma colaborativa

Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 4700–4708. https://doi.org/10.1109/CVPR.2017.243

Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Packer, C., & Clune, J. (2018). Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proceedings of the National Academy

of Sciences, 115(25), E5716–E5725. https://doi.org/10.1073/pnas.1719367115

Nugent, J. (2018). eBird: A citizen-based bird observation network. Living Bird, 37(1), 18–25.

• Pimm, S. L., Alibhai, S., Bergl, R., Dehgan, A., Giri, C., Jewell, Z., ... & Joppa, L. (2015). Emerging technologies to conserve biodiversity. Trends in Ecology & Evolution, 30(11), 685–696. https://doi.org/10.1016/j.tree.2015.08.008

• Powers, D. M. W. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 2(1), 37–63.

• Rolnick, D., Donti, P. L., Kaack, L. H., Kochanski, K., Lacoste, A., Sankaran, K., ... & Bengio, Y. (2022). Tackling climate change with machine learning. ACM Computing Surveys, 55(2), 1–96. https://doi.org/10.1145/3485128

• Steenweg, R., Hebblewhite, M., Kays, R., Ahumada, J., Fisher, J. T., Burton, C., ... & Rich, L. N. (2017). Scaling-up camera traps: Monitoring the planet’s biodiversity with networks of remote sensors. Frontiers in Ecology and the Environment, 15(1), 26–34. https://doi.org/10.1002/fee.1448

• Sullivan, B. L., Aycrigg, J. L., Barry, J. H., Bonney, R. E., Bruns, N., Cooper, C. B., ... & Kelling, S. (2014). The eBird enterprise: An integrated approach to development and application of citizen science. Biological Conservation, 169, 31–40. https://doi.org/10.1016/j.biocon.2013.11.003

• Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. International Conference on Machine Learning (ICML), 6105–6114. https://arxiv.org/abs/1905.11946

• Ward, R. D., Holmes, G., & Zu Ermgassen, P. S. (2020). Blue carbon and the need to account for nature-based solutions. Nature Climate Change, 10(9), 695–700. https://doi.org/10.1038/s41558-020-0821-5

Allan, B. M., Nimmo, D. G., Ierodiaconou, D., VanDerWal, J., Koh, L. P., & Ritchie, E. G. (2021). Futurecasting ecological research: The rise of technoecology. Ecosphere, 12(1), e03317. https://doi.org/10.1002/ecs2.3317

• Banerjee, S. (2019). Animal Image Dataset (90 Different Animals). Kaggle. https://www.kaggle.com/datasets/salader/dogs-vs-cats

• Christin, S., Hervet, É., & Lecomte, N. (2019). Applications for deep learning in ecology. Methods in Ecology and Evolution, 10(10), 1632–1644. https://doi.org/10.1111/2041-210X.13256

• Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., ... & Houlsby, N. (2021). An image is worth 16x16 words: Transformers for image recognition at scale. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2010.11929

• He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770–778. https://doi.org/10.1109/CVPR.2016.90

Licencia

Cómo citar

Corro Sabino, A. (2026). WildEye: Sistema de reconocimiento y rescate de animales en peligro de extinción mediante aprendizaje profundo. Publicaciones E Investigación, 20(1). https://doi.org/10.22490/25394088.10444

Descargar cita

Almétricas