Resumen

Los métodos tradicionales de identificación de plantas centrados en la imagen pueden ser confusos debido a los distintos puntos de vista, las iluminaciones desiguales y los ciclos de crecimiento. Para tolerar las importantes variaciones intraclase, se proponen las redes neuronales convolucionales recurrentes (C-RNN) para la identificación de plantas centrada en la observación con el fin de imitar los comportamientos humanos. El modelo C-RNN consta de dos componentes: la red neuronal convolucional (CNN) se utiliza como extractor de características de las imágenes, y las unidades de la red neuronal recurrente (RNN) se construyen para sintetizar las características multivista de cada imagen para la predicción final. Se realizan numerosos experimentos para explorar la mejor combinación de CNN y RNN. Todos los modelos se entrenan de extremo a extremo con 1 a 3 imágenes de plantas de la misma observación mediante retropropagación truncada en el tiempo. Los experimentos demuestran que la combinación de MobileNet y Gated Recurrent Unit (GRU) ofrece la mejor relación entre precisión de clasificación y carga computacional en el conjunto de datos Flavia. En el conjunto de pruebas holdout, la precisión media de 10 veces con 1, 2 y 3 hojas de entrada alcanzó el 99,53%, el 100,00% y el 100,00%, respectivamente. En el conjunto de datos BJFU100, el modelo C-RNN alcanza una tasa de clasificación del 99,65 y un entrenamiento de dos etapas de extremo a extremo. El método centrado en la observación basado en las C-RNN muestra potencial para mejorar aún más la precisión de la identificación de plantas.

• Materias:Ingeniería electrónica Redes Inalámbricas Modelo computacional Procesamiento de señales asistido por computador Procesamiento de datos
• Subjects:Electronic engineering Wireless Networks Computational Model Signal processing computer-assisted Data processing
• Palabras claves:modelo rnn, identificación de plantas, redes neuronales convolucionales recurrentes, red neuronal convolucional, precisión en la identificación de plantas, red neuronal recurrente, varianzas intraclase significativas, cnn, rnn, rnns
• Keywords:rnn model, plant identification, convolutional recurrent neural networks, convolutional neural network, plant identification accuracy, recurrent neural network, significant intraclass variances, cnn, rnn, rnns