Resumen

Para aumentar la productividad en la producción agrícola, la velocidad y la precisión son requisitos clave para el crecimiento económico a largo plazo, la competitividad y la sostenibilidad. Las operaciones manuales tradicionales de clasificación de semillas de arroz paddy son costosas y poco fiables porque las decisiones humanas en la identificación de objetos y problemas son inconsistentes, subjetivas y lentas. La tecnología de visión artificial proporciona una alternativa para los procesos automatizados, que son técnicas no destructivas, rentables, rápidas y precisas. En este trabajo, presentamos un estudio que utilizó la tecnología de visión artificial para clasificar 14 variedades de arroz Oryza sativa. Cada cultivar utilizó más de 3.500 muestras de semillas, un total de cerca de 50.000 semillas. Hubo tres procesos principales: preprocesamiento, extracción de características y clasificación de variedades de arroz. El primer proceso se inició con un método de orientación de semillas que alineaba los cuerpos de las semillas en la misma dirección. A continuación, se aplicó un método de control de calidad para detectar muestras físicas de semillas poco comunes. Se extrajo su información física, incluidas las propiedades de forma, color y textura, como representaciones de datos para la clasificación. Se aplicaron cuatro métodos (LR, LDA, k-NN y SVM) de técnicas de aprendizaje automático estadístico y cinco modelos preentrenados (VGG16, VGG19, Xception, InceptionV3 e InceptionResNetV2) en técnicas de aprendizaje profundo para la comparación del rendimiento de la clasificación. En nuestro estudio, el conjunto de datos de arroz se clasificó tanto en subgrupos como en grupos colectivos para estudiar las relaciones ambiguas entre ellos. La mejor precisión se obtuvo del método SVM con un 90,61%, 82,71% y 83,9% en los subgrupos 1 y 2 y en el grupo colectivo, respectivamente, mientras que la mejor precisión en las técnicas de aprendizaje profundo fue del 95,15 de los modelos InceptionResNetV2. Además, mostramos una mejora en el rendimiento general del sistema en términos de cualidades de los datos que implican la orientación de las semillas y el cribado de calidad. Nuestro estudio demostró un diseño práctico de clasificación de arroz mediante tecnología de visión artificial.

• 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:técnicas de aprendizaje profundo, tecnología de visión artificial, estudio, mejor precisión, variedades de arroz oryza sativa, operaciones manuales tradicionales de clasificación de semillas de arroz cáscara, muestras físicas de semillas inusuales, tecnología de visión artificial, comparación del rendimiento de la clasificación, método de selección de calidad
• Keywords:deep learning techniques, machine vision technology, study, best accuracy, oryza sativa rice varieties, traditional manual paddy rice seed classification operations, unusual physical seed samples, machine vision technology, classification performance comparison, quality screening method