Uso de redes neuronal convolucionales 1D en espectrometrías para clasificación de géneros de microalgas

• González Hernández, José ^[1] ; Guzmán Sánchez, José Luis ^[1] ; Acién, Gabriel ^[1] ; Ciardi, Martina ^[1] ; Moreno Úbeda, José Carlos ^[1]
  1. [1] Universidad de Almería

     Universidad de Almería

     Almería, España

     
• Localización: XLIV Jornadas de Automática: libro de actas: Universidad de Zaragoza, Escuela de Ingeniería y Arquitectura, 6, 7 y 8 de septiembre de 2023, Zaragoza / coord. por José Manuel Andújar Márquez, Ramón Costa Castelló, Alejandro R. Mosteo, Vanesa Loureiro-Vázquez, Elisabet Estévez Estévez, David Muñoz de la Peña Sequedo, Carlos Vilas Fernández, Luis Enrique Montano Gella, Pedro Jesús Cabrera Santana, Raúl Marín, Eduardo Rocón de Lima, Manuel Gil Ortega Linares, Óscar Reinoso García, Luis Payá Castelló, 2023, ISBN 9788497498609, págs. 399-404
• Idioma: español
• Títulos paralelos:
  • Use of 1D convolutional network in spectrometry for classification of microalgae strains
• Enlaces
  • Texto completo
• Resumen
  • español

    En este trabajo se presenta el desarrollo de una red neuronal para la clasificación de especies de microalgas basada en muestras espectrales. Los datos necesarios para realizar la clasificación son obtenidos mediante un espectrofotómetro, utilizado barridos espectrales como datos representativos para la caracterización de las muestras. El modelo desarrollado ha sido entrenado en base a estos datos y permite distinguir y clasificar entre 4 géneros diferentes de microalgas, Spirulina, Chlorella, Synechococcus y Scenedesmus. Los resultados demuestran una elevada tasa de acierto y precisión en el modelo frente a muestras puras, presentando un gran potencial para el desarrollo futuro de herramientas para la monitorización de cultivos a gran escala que permita contribuir al control de contaminación del cultivo.

  • English

    This work presents the development of a neural network for the classification of microalgae species based on spectral samples. The data necessary to perform the classification are obtained by means of a spectrophotometer, using spectral scans as representative data for the characterization of the samples. The developed model has been trained based on these data and allows to distinguish and classify between 4 different genera of microalgae, Spirulina, Chlorella, Synechococcus and Scenedesmus. The results demonstrate a high hit rate and accuracy in the model against pure samples, presenting a great potential for the future development of tools for large-scale culture monitoring to contribute to the control of culture contamination.