Resumen

Tradicionalmente, la clasificación de los defectos de las semillas se basa principalmente en las características de color, forma y textura. Este método requiere la extracción repetida de una gran cantidad de información de características, que no se utiliza de manera eficiente en la detección. En los últimos años, el aprendizaje profundo ha obtenido buenos resultados en el campo del reconocimiento de imágenes. Introdujimos redes neuronales convolucionales (CNN) y aprendizaje por transferencia en la clasificación de la calidad de las semillas y los comparamos con algoritmos tradicionales de aprendizaje automático. Los experimentos mostraron que el algoritmo de aprendizaje profundo fue significativamente mejor que el algoritmo de aprendizaje automático con una precisión del 95% (GoogLeNet) frente al 79,2% (SURF SVM). Utilizamos tres clasificadores en GoogLeNet para demostrar que la precisión de la red aumenta a medida que aumenta la profundidad de la red. Utilizamos la tecnología de visualización para obtener el mapa de características de cada capa de la red en CNN y utilizamos el mapa de calor para representar la distribución de probabilidad de los resultados de inferencia. Como red de extremo a extremo, las CNN pueden aplicarse fácilmente a la fabricación automatizada de semillas.

• Materias:Biotecnología Sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology sensors Sensor system Sensor technology
• Palabras claves:cnns, redes neuronales convolucionales, googlenet, algoritmo, aprendizaje profundo, red final, información de características, mapa de características, mapa de calor, reconocimiento de imágenes
• Keywords:cnns, convolutional neural networks, googlenet, algorithm, deep learning, end network, feature information, feature map, heat map, image recognition