Resumen de Algoritmo detector de nivel de clorofila tipo A y B en las hojas a partir de una red neuronal convolucional

Rafael A. Nuñez Rodríguez, Daniel Velazco Capacho

• español

  En este trabajo se presenta el desarrollo de un algoritmo detector de los niveles de clorofila tipo A y tipo B presente en algunas plantas, mediante el procesamiento digital de imágenes a partir de una red neuronal convolucional. Durante el desarrollo del algoritmo se construyó un módulo de adquisición de imagen de material vegetal sometido a longitudes de onda entre 430 nm y 650 nm. Este módulo permitió la construcción de un banco de imágenes para el preprocesamiento, entrenamiento y validación del desempeño de la red neuronal. Los resultados obtenidos durante el proceso de validación de las diferentes arquitecturas de la red neuronal convolucional, muestran que el modelo de red R1000A presentó la mayor precisión a la hora de etiquetar las muestras de material vegetal parametrizado, con un valor del 98,22% de precisión. Estos resultados indican que para la clasificación de niveles de clorofila que no requieran gran exactitud, una red neuronal convolucional puede realizar esta labor de manera adecuada si se entrena con una cantidad de muestras superior a 1000 imágenes, un batch size de 100 y una tasa de aprendizaje de 0.0001.

• English

  In this work, it is presented the development of a detector algorithm of chlorophyll type A and type B levels present in some plants, by means of digital image processing from a convolutional neuronal network. During the development of the algorithm, an image acquisition module of plant material subjected to wavelengths between 430 nm and 650 nm was built. This module allowed the construction of an image bank for pre-processing, training and validation of the performance of the neural network. The results obtained during the validation process of the different architectures of the convolutional neuronal network, show that the R1000A network model presented the highest precision when labeling the samples of parameterized vegetable material, with a value of 98.22% of precision. These results indicate that for the classification of chlorophyll levels that do not require high accuracy, a convolutional neuronal network can perform this task adequately if trained with a number of samples higher than 1000 images, a batch size of 100 and a learning rate of 0.0001.