Resumen

Los defectos de la madera se identifican rápidamente a partir de una imagen óptica basada en la metodología de aprendizaje profundo, lo que mejora eficazmente el aprovechamiento de la madera. La técnica de red neuronal tradicional está desempleada para la detección de defectos de madera de imagen óptica utilizada, lo que resulta de un largo tiempo de entrenamiento, baja precisión de reconocimiento y extracción no automática de características de imagen de defecto. En este trabajo, se informa de un modelo de detección de defectos de nudos de madera (llamado BLNN) combinado de aprendizaje profundo. Dos subredes compuestas por redes neuronales convolucionales son entrenadas por Pytorch. Utilizando las capacidades de extracción de características de las dos subredes y combinando la operación de unión bilineal, se obtienen las características de grano fino de la imagen. Los resultados experimentales muestran que la precisión alcanza el 99,20% y que el tiempo de entrenamiento se reduce considerablemente, con una velocidad de detección de defectos de 0,0795 s/imagen. Esto indica que BLNN tiene la capacidad de mejorar la precisión del reconocimiento de defectos y tiene una aplicación potencial en la detección de defectos de nudos de madera.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:imagen óptica, técnica tradicional de redes neuronales, modelo de detección de defectos en nudos de madera, operación de unión bilineal, redes neuronales convolucionales, metodología de aprendizaje profundo, características de la imagen defectuosa, capacidades de extracción de características, largo tiempo de entrenamiento, baja precisión de reconocimiento.
• Keywords:optical image, traditional neural network technique, wood knot defect detection model, bilinear join operation, convolutional neural networks, deep learning methodology, defect image features, feature extraction capabilities, long training time, low recognition accuracy