Resumen

Con el rápido desarrollo de la visión por computadora y la tecnología de robots, los robots comunitarios inteligentes basados en tecnología de inteligencia artificial se han utilizado ampliamente en las ciudades inteligentes. Considerando que el proceso de extracción de características en la clasificación de frutas es muy complicado. Y la extracción manual de características tiene baja confiabilidad y alta aleatoriedad. Por lo tanto, en este artículo se propone un método de red de filtrado residual (RFN) y máquina de vectores de soporte (SVM) para la clasificación de frutas. La clasificación de frutas consta de dos etapas. En la primera etapa, se utiliza RFN para extraer características. La red consta de filtro Gabor y bloque residual. En la segunda etapa, se utiliza SVM para clasificar las características de frutas extraídas por RFN. Además, se realiza una estimación del rendimiento para el proceso de entrenamiento llevado a cabo por el método de validación cruzada de -fold. El rendimiento de este método se evalúa con la precisión, la recuperación, la puntuación F1 y la precisión. La

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Desarrollo; Visión por computadora; Tecnología de robots; Inteligencia artificial; Clasificación de frutas; RFN; SVM; Características; Filtro Gabor; Bloque residual; Estimación de rendimiento; Validación cruzada; Precisión; Puntuación F1; Precisión; Resultados experimentales; Análisis comparativos.
• Keywords:Development; Computer vision; Robot technology; Artificial intelligence; Fruit classification; RFN; SVM; Features; Gabor filter; Residual block; Performance estimate; Cross-validation; Accuracy; F1 score; Precision; Experimental results; Comparative analyses.