Metaheurística de optimización para mejorar la detección de malezas en imágenes de trigo capturadas por drones
Autores: El-Kenawy, El-Sayed M.; Khodadadi, Nima; Mirjalili, Seyedali; Makarovskikh, Tatiana; Abotaleb, Mostafa; Karim, Faten Khalid; Alkahtani, Hend K.; Abdelhamid, Abdelaziz A.; Eid, Marwa M.; Horiuchi, Takahiko; Ibrahim, Abdelhameed; Khafaga, Doaa Sami
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Metaheurística de optimización para mejorar la detección de malezas en imágenes de trigo capturadas por drones
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Aprendizaje automático
Algoritmo de optimización
Clasificación de malezas
Modelos de conjunto
Clasificador de votación
Selección de características
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
Antecedentes y objetivo: Los métodos de aprendizaje automático son examinados por muchos investigadores para identificar malezas en imágenes de cultivos capturadas por drones. Sin embargo, la optimización metaheurística rara vez se utiliza en la optimización de los modelos de aprendizaje automático utilizados en la clasificación de malezas. Por lo tanto, esta investigación tiene como objetivo desarrollar un nuevo algoritmo de optimización que pueda utilizarse para optimizar modelos de aprendizaje automático y modelos de conjunto para aumentar la precisión de clasificación de imágenes de malezas. Metodología: Este trabajo propone un nuevo enfoque para clasificar imágenes de malezas y trigo capturadas por un dron rociador. El enfoque propuesto se basa en un clasificador de votación que consta de tres modelos base, a saber, redes neuronales (NN), máquinas de vectores de soporte (SVM) y vecinos más cercanos (KNN). Este clasificador de votación se optimiza utilizando un nuevo algoritmo de optimización compuesto por una combinación híbrida de optimizadores de seno coseno y lobo gris. Las características utilizadas en el entrenamiento del clasificador de votación se extraen en función de AlexNet a través del aprendizaje por transferencia. Las características significativas se seleccionan de las características extraídas utilizando un nuevo algoritmo de selección de características. Resultados: La precisión, la precisión, la recuperación, la tasa de falsos positivos y el coeficiente kappa se emplearon para evaluar el rendimiento del clasificador de votación propuesto. Además, se realiza un análisis estadístico utilizando el análisis de varianza de un solo factor (ANOVA) y las pruebas de rango con signo de Wilcoxon para medir la estabilidad y significancia del enfoque propuesto. Por otro lado, se realiza un análisis de sensibilidad para estudiar el comportamiento de los parámetros del enfoque propuesto en la obtención de los resultados registrados. Los resultados experimentales confirmaron la efectividad y superioridad del enfoque propuesto en comparación con otros métodos de optimización competidores. La precisión de detección lograda utilizando el clasificador de votación optimizado propuesto es del 97,70%, la puntuación F es del 98,60%, la especificidad es del 95,20% y la sensibilidad es del 98,40%. Conclusión: Se confirma que el enfoque propuesto logra una mejor precisión de clasificación y supera a otros enfoques competidores.
Descripción
Antecedentes y objetivo: Los métodos de aprendizaje automático son examinados por muchos investigadores para identificar malezas en imágenes de cultivos capturadas por drones. Sin embargo, la optimización metaheurística rara vez se utiliza en la optimización de los modelos de aprendizaje automático utilizados en la clasificación de malezas. Por lo tanto, esta investigación tiene como objetivo desarrollar un nuevo algoritmo de optimización que pueda utilizarse para optimizar modelos de aprendizaje automático y modelos de conjunto para aumentar la precisión de clasificación de imágenes de malezas. Metodología: Este trabajo propone un nuevo enfoque para clasificar imágenes de malezas y trigo capturadas por un dron rociador. El enfoque propuesto se basa en un clasificador de votación que consta de tres modelos base, a saber, redes neuronales (NN), máquinas de vectores de soporte (SVM) y vecinos más cercanos (KNN). Este clasificador de votación se optimiza utilizando un nuevo algoritmo de optimización compuesto por una combinación híbrida de optimizadores de seno coseno y lobo gris. Las características utilizadas en el entrenamiento del clasificador de votación se extraen en función de AlexNet a través del aprendizaje por transferencia. Las características significativas se seleccionan de las características extraídas utilizando un nuevo algoritmo de selección de características. Resultados: La precisión, la precisión, la recuperación, la tasa de falsos positivos y el coeficiente kappa se emplearon para evaluar el rendimiento del clasificador de votación propuesto. Además, se realiza un análisis estadístico utilizando el análisis de varianza de un solo factor (ANOVA) y las pruebas de rango con signo de Wilcoxon para medir la estabilidad y significancia del enfoque propuesto. Por otro lado, se realiza un análisis de sensibilidad para estudiar el comportamiento de los parámetros del enfoque propuesto en la obtención de los resultados registrados. Los resultados experimentales confirmaron la efectividad y superioridad del enfoque propuesto en comparación con otros métodos de optimización competidores. La precisión de detección lograda utilizando el clasificador de votación optimizado propuesto es del 97,70%, la puntuación F es del 98,60%, la especificidad es del 95,20% y la sensibilidad es del 98,40%. Conclusión: Se confirma que el enfoque propuesto logra una mejor precisión de clasificación y supera a otros enfoques competidores.