Clasificación de arroz silvestre utilizando procesamiento de imágenes y un enfoque de aprendizaje automático
Autores: Ruslan, Rashidah; Khairunniza-Bejo, Siti; Jahari, Mahirah; Ibrahim, Mohd Firdaus
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Clasificación de arroz silvestre utilizando procesamiento de imágenes y un enfoque de aprendizaje automático
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Arroz malherido
Procesamiento de imágenes
Aprendizaje automático
Granos de semilla
Imágenes RGB
Rendimiento de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La infestación de arroz silvestre se ha convertido en un problema importante en todos los países productores de arroz, especialmente en Malasia. Los desafíos siguen siendo encontrar una técnica rápida para identificar las semillas de arroz silvestre que tienden a presentar características taxonómicas y fisiológicas similares a las semillas de arroz cultivado. Este estudio presenta técnicas de procesamiento de imágenes y aprendizaje automático para clasificar las variantes de semillas de arroz silvestre y las semillas de arroz cultivado. Se estableció una unidad de visión artificial para la adquisición de imágenes utilizando una cámara de exploración de área para las imágenes Roja, Verde y Azul (RGB) y monocromáticas de cinco variedades de arroz cultivado y una variante de semilla de arroz silvestre. Se extrajeron sesenta y siete características de las imágenes RGB y monocromáticas de los núcleos de semillas a partir de tres parámetros principales, a saber, morfología, color y textura, y se utilizaron como entrada para el aprendizaje automático. Se utilizaron siete clasificadores de aprendizaje automático y se evaluó el rendimiento de la clasificación. Los análisis del mejor modelo se basaron en medidas de rendimiento globales, como la sensibilidad, especificidad, precisión y la clasificación correcta promedio de los clasificadores que mejor describían el conjunto de datos desequilibrado. Los resultados mostraron que el mejor modelo óptimo se desarrolló mediante la imagen RGB utilizando el modelo de regresión logística (LR) que logró una sensibilidad del 85.3%, una especificidad del 99.5%, una precisión del 97.9% y una clasificación correcta promedio del 92.4% utilizando las 67 características. En conclusión, este estudio ha demostrado que las características extraídas de las imágenes RGB tienen una mayor sensibilidad y precisión en la identificación de las semillas de arroz silvestre que las imágenes monocromáticas mediante el uso de técnicas de procesamiento de imágenes y aprendizaje automático con las características seleccionadas de color, morfológicas y texturales.
Descripción
La infestación de arroz silvestre se ha convertido en un problema importante en todos los países productores de arroz, especialmente en Malasia. Los desafíos siguen siendo encontrar una técnica rápida para identificar las semillas de arroz silvestre que tienden a presentar características taxonómicas y fisiológicas similares a las semillas de arroz cultivado. Este estudio presenta técnicas de procesamiento de imágenes y aprendizaje automático para clasificar las variantes de semillas de arroz silvestre y las semillas de arroz cultivado. Se estableció una unidad de visión artificial para la adquisición de imágenes utilizando una cámara de exploración de área para las imágenes Roja, Verde y Azul (RGB) y monocromáticas de cinco variedades de arroz cultivado y una variante de semilla de arroz silvestre. Se extrajeron sesenta y siete características de las imágenes RGB y monocromáticas de los núcleos de semillas a partir de tres parámetros principales, a saber, morfología, color y textura, y se utilizaron como entrada para el aprendizaje automático. Se utilizaron siete clasificadores de aprendizaje automático y se evaluó el rendimiento de la clasificación. Los análisis del mejor modelo se basaron en medidas de rendimiento globales, como la sensibilidad, especificidad, precisión y la clasificación correcta promedio de los clasificadores que mejor describían el conjunto de datos desequilibrado. Los resultados mostraron que el mejor modelo óptimo se desarrolló mediante la imagen RGB utilizando el modelo de regresión logística (LR) que logró una sensibilidad del 85.3%, una especificidad del 99.5%, una precisión del 97.9% y una clasificación correcta promedio del 92.4% utilizando las 67 características. En conclusión, este estudio ha demostrado que las características extraídas de las imágenes RGB tienen una mayor sensibilidad y precisión en la identificación de las semillas de arroz silvestre que las imágenes monocromáticas mediante el uso de técnicas de procesamiento de imágenes y aprendizaje automático con las características seleccionadas de color, morfológicas y texturales.