El reconocimiento de flores es un problema muy desafiante, porque hay miles de especies de flores en el mundo, además lleva mucho tiempo realizarla y principalmente lo hacen los botánicos. Esta actividad juega un papel crucial en la agricultura, la silvicultura y otras industrias relacionadas.
La identificación automática de flores se usa en agricultura ecológica para reemplazar la consulta manual de la base de datos de información de recuperación de flores para mejorar la eficiencia de la recuperación de información de flores y reducir la pérdida de costos de mano de obra, en la investigación forestal, proporciona apoyo de eficiencia; también se usa para la educación primaria y secundaria, la apreciación de la horticultura, la exposición de la feria de flores, etc. Si se realiza estas consultas de manera, es fácil de cometer errores y tiene una gran carga de trabajo, costo de mano de obra, recursos materiales y financieros.
2. Sistema propuesto
En los dos estudios obtiene su dataset para el entrenamiento de sus modelos de diferentes maneras, uno de ellos utiliza Inception-v3 el cual es una red pre-entrenada en ImageNet, mediante el proceso del aprendizaje de transferencia, manteniendo la capa de cuello de botella y sus parámetros entrenados sin cambios, sólo se cambió la capa de conexión completa final, reduciendo en gran medida los datos de entrenamiento y acortando el tiempo de entrenamiento del modelo, también se cambió los números de salida a 32 salidas, que corresponde a las 32 categorías de flores en el conjunto de datos FLOWERS32. Para este caso se empleó un enfoque online, es decir que plantea el uso de un teléfono inteligente para la captura de las imágenes y esta es enviada a un servidor que realizara su procesamiento y etiquetado, luego esta etiqueta se envía nuevamente al teléfono y se muestra en pantalla, este proceso sura aproximadamente 0.8 segundos.
- 4.PNG (74.01 KiB) Visto 169 veces
En el segundo caso se usaron diecisiete tipos de conjuntos de datos florales publicados por la Universidad de Oxford, las cuales fueron tomados como objetos de investigación. Se seleccionó la pequeña red neuronal de convolución de clasificación de Tiny Darknet como la arquitectura de red para ese estudio, el cual tiene un diseño compacto y funciones potentes con solo 800 millones de cálculos de punto flotante, mientras que otras redes emplean miles de millones de cálculo de punto flotante. Tiny darknet se compone de múltiples capas de convolución 3×3 y hay insertada una capa de núcleo de convolución 1×1 en el centro para la reducción de la dimensionalidad, y se reduce el número de gráficos característicos de cada capa, y se duplica el número de canales de salida de la capa de agrupación conectada con la siguiente capa, lo que reduce el tiempo de ejecución y la memoria del modelo, reduciendo también el tiempo de entrenamiento del modelo.
- 5.PNG (25.58 KiB) Visto 169 veces
3. Resultados
Ambos modelos se construyeron en el marco de Tensor Flow, para probar el primer modelo se tomaron 1920 imágenes como conjunto de entrenamiento y 640 imágenes como conjunto de pruebas con lo que se obtuvo que para los datos de prueba, la precisión puede alcanzar alrededor del 95% y la entropía cruzada de los datos de entrenamiento y los datos de prueba es por separado 0.01 y 0.07.
- 6.PNG (42.34 KiB) Visto 169 veces
El segundo se basa en el sistema de aprendizaje de inteligencia artificial de segunda generación de Google, y para probarlo se preparó 10200 conjuntos de entrenamiento y 680 conjuntos de pruebas, obteniendo un 92% de precisión.
Este resultado se comparó con otros modelos en la siguiente tabla:
- 7.PNG (28.42 KiB) Visto 169 veces
Se espera que en el futuro se pueda expandir la dataset con más imágenes florales agregando flores de diferentes lugares del mundo que permitan poder entrenar al modelo y reconocer flores más complejas.
5. Referencias
https://iopscience.iop.org/article/10.1 ... 012088/pdf
https://iopscience.iop.org/article/10.1 ... 022060/pdf