Resumen

En vista de la ausencia actual de algoritmos de aprendizaje profundo para la identificacin de marisco en contextos reales, en este artculo se propone un algoritmo de deteccin mejorado basado en Faster R-CNN. Consigue el reconocimiento y la localizacin multiobjeto mediante una red de deteccin de segundo orden y sustituye el mdulo de extraccin de caractersticas original por DenseNet, que puede fusionar informacin de caractersticas multinivel, aumentar la profundidad de la red y evitar la desaparicin de los gradientes de la red. Mientras tanto, la estrategia de fusin de propuestas se mejora con Soft-NMS, en la que se disea una funcin de atenuacin para sustituir al algoritmo NMS convencional, evitando as la deteccin fallida de objetos adyacentes o solapados y mejorando la precisin de deteccin de la red bajo mltiples objetos. Mediante la construccin de un conjunto de datos de marisco en contextos reales y la realizacin de pruebas experimentales en una lnea de produccin de robots clasificadores de marisco con reconocimiento de visin, fuimos capaces de detectar las caractersticas del marisco en diferentes escenarios, y la precisin de la deteccin mejor en casi un 4% en comparacin con el modelo de deteccin original, logrando una mejor precisin de deteccin. Esto proporciona un soporte tcnico favorable para la futura clasificacin de calidad de marisco utilizando el enfoque mejorado basado en Faster R-CNN.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:algoritmo de aprendizaje profundo; identificación de moluscos; algoritmo de detección más rápido basado en R-CNN; reconocimiento multiobjeto; localización; DenseNet
• Keywords:deep learning algorithm; shellfish identification; Faster R-CNN-based detection algorithm; multiobject recognition; localization; DenseNet