An improved strategy of wheat kernel recognition based on deep learning

• Ke Han ^[1] ; Ning Zhang ^[1] ; Haoyang Xie ^[1] ; Qianlong Wang ^[1] ; Wenhao Ding ^[1]
  1. [1] School of Informtion Engineering. North China University of Water Resources and Electric Power. Henan. China
• Localización: Revista DYNA, ISSN-e 0012-7361, ISSN 0012-7361, Vol. 98, Nº 1, 2023 (Ejemplar dedicado a: Etapas hacia la Fabricación Aditiva sostenible e inteligente), págs. 91-97
• Idioma: español
• Títulos paralelos:
  • Una estrategia mejorada de reconocimiento del grano de trigo basada en el aprendizaje profundo
• Enlaces
  • Texto Completo Ejemplar
• Resumen

  • La detección de granos de trigo no sanos en la compra tradicional de trigo se ve afectada por factores humanos, lo que resulta en una clasificación de trigo errónea. En la actualidad, el reconocimiento informático de los granos de trigo tiene generalmente una baja precisión, y se pueden reconocer pocos tipos de granos de trigo. Para reconocer de forma rápida, precisa y objetiva los granos de trigo, este estudio propone una estrategia mejorada del método de reconocimiento de granos de trigo basada en el aprendizaje profundo. En primer lugar, se etiquetó un gran número de imágenes de trigo recogidas, y los granos de trigo se dividieron en cinco categorías: granos perfectos, granos rotos, impurezas, granos germinados y granos mohosos. En segundo lugar, se propusieron las estrategias mejoradas de los modelos VggNet-16, ResNet-34, EfficientNet-b2, DenseNet121 y Vit. Basándose en el método de detección de objetivos en dos etapas, el modelo de red mejorado se utilizó para detectar los granos de trigo. Además, se verificó la precisión del modelo realizando pruebas comparativas. Los resultados muestran que la estructura de la red mejorada es obviamente más eficaz, y la tasa de precisión más alta de la identificación de los granos de trigo es del 96%. La precisión, la tasa de recuperación y la puntuación F1 de los modelos VggNet-16-W, ResNet-34-W, EfficientNet-b2-W y DenseNet121-W son superiores al 97%. Este estudio proporciona una buena referencia para la detección rápida y precisa de la calidad del trigo.