Resumen

Los defectos de la madera se identifican rápidamente a partir de una imagen óptica basada en una metodología de aprendizaje profundo, lo que mejora eficazmente el aprovechamiento de la madera. Las técnicas tradicionales de redes neuronales aún no se han empleado para la detección de defectos en la madera debido al largo tiempo de entrenamiento, la baja precisión de reconocimiento y la extracción no automática de las características de la imagen del defecto. En este trabajo, se propone un modelo (denominado ReSENet-18) para la detección de defectos en nudos de madera que combina aprendizaje profundo y aprendizaje por transferencia. El módulo "squeeze-and-excitation" (SE) se incrusta en primer lugar en la estructura "residual basic block" para la construcción de un módulo "SE-Basic-Block". Este modelo tiene las ventajas de las características que se extraen en la dimensión del canal, y se fusiona en multiescala con las características originales. De forma instantánea, la capa totalmente conectada se sustituye por una agrupación media global; en consecuencia, los parámetros del modelo podrían reducirse de forma eficaz. Los resultados experimentales muestran que la precisión ha alcanzado el 99,02%, mientras que el tiempo de entrenamiento también se reduce. Esto demuestra que la red neuronal convolucional profunda propuesta basada en ReSENet-18 combinada con el aprendizaje por transferencia puede mejorar la precisión del reconocimiento de defectos y tiene una aplicación potencial en la detección de defectos en 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:aprendizaje por transferencia, técnicas tradicionales de redes neuronales, red neuronal convolucional profunda, detección de defectos en nudos de madera, metodología de aprendizaje profundo, características de imágenes defectuosas, agrupación de promedios globales, largo tiempo de entrenamiento, baja precisión de reconocimiento, bloque básico residual
• Keywords:transfer learning, traditional neural network techniques, deep convolutional neural network, wood knot defect detection, deep learning methodology, defect image features, global average pooling, long training time, low recognition accuracy, residual basic block