Saved in:
| Main Author: | |
|---|---|
| Format: | Artículo científico |
| Language: | es |
| Published: |
Universidad Nacional Autónoma de México
2022
|
| Subjects: | |
| Online Access: | https://www.redalyc.org/articulo.oa?id=40475448002 https://www.redalyc.org/journal/404/40475448002/ https://www.redalyc.org/journal/404/40475448002/html/ https://www.redalyc.org/journal/404/40475448002/40475448002.epub https://www.redalyc.org/journal/404/40475448002/movil |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Table of Contents:
- Integración de una cámara multiespectral y aprendizaje automático para clasificación de manzanas Saulo Abraham Gante-Díaz Yair Lozano-Hernández Marco Antonio Maldonado-Trinidad Gerardo Ramón Flores-Colunga Daniel Villegas-Piña Ingeniería aprendizaje profundo índice de vegetación cámara multiespectral aprendizaje automático Clasificación de manzanas Este trabajo presenta un sistema capaz de realizar una clasificación binaria (buena y podrida) de manzanas red delicious, lo cual se logra mediante el uso del Índice de Vegetación de Diferencia Normalizada (NDVI) y una Red Neural Xception. Para ello, se utiliza una cámara multiespectral para observar detalles fuera del alcance del ojo humano, reduciendo la presencia de errores durante su clasificación. La selección del NDVI es resultado de su comparación con los índices de vegetación GNDVI, GVI, NDRE, NDVIR, NG, NGRDI y RVI, aplicados a un banco de imágenes obtenido mediante la cámara multiespectral. Además, se muestran los resultados de la clasificación al utilizar redes neuronales Xception, ResNet y MobileNet, lo que justifica el uso de la red Xception. Finalmente se describe la instrumentación e iluminación empleada en un prototipo que emula el proceso de clasificación real utilizando una banda transportadora, lo que permite validar de forma experimental el sistema de clasificación propuesto, obteniéndose un 73 % de éxito en la clasificación en línea. El desarrollo de este trabajo se basa en la siguiente metodología: Se utiliza una cámara multiespectral para la creación de una base de datos, las imágenes obtenidas pasan a una etapa de procesamiento conformada por la alineación y reconstrucción RGB. Posteriormente, se utilizan dos o más bandas para el cálculo, comparación y análisis de diferentes índices de vegetación. Una vez determinado el índice de vegetación a utilizar, se procede al entrenamiento y comparativa entre distintas arquitecturas de redes neuronales. Respecto a la etapa de entrenamiento, se emplea transferencia de aprendizaje para reducir la necesidad de una gran base de datos. Por último, se realizan pruebas experimentales para validar el comportamiento. 2022 artículo científico 1405-7743 https://www.redalyc.org/articulo.oa?id=40475448002 https://www.redalyc.org/journal/404/40475448002/ https://www.redalyc.org/journal/404/40475448002/html/ https://www.redalyc.org/journal/404/40475448002/40475448002.epub https://www.redalyc.org/journal/404/40475448002/movil 10.22201/fi.25940732e.2022.23.4.031 es http://www.redalyc.org/revista.oa?id=404 Ingeniería. Investigación y Tecnología application/pdf Universidad Nacional Autónoma de México Ingeniería. Investigación y Tecnología (México) Num.4 Vol.XXIII