Predicción de madurez, calidad y vida de la fruta utilizando algoritmos de aprendizaje profundo
Autores: Aherwadi, Nagnath; Mittal, Usha; Singla, Jimmy; Jhanjhi, N. Z.; Yassine, Abdulsalam; Hossain, M. Shamim
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Predicción de madurez, calidad y vida de la fruta utilizando algoritmos de aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Maduración de la fruta
Aprendizaje profundo
Predicción
Calidad
Conjunto de datos
Modelo CNN
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 31
Citaciones: Sin citaciones
La fruta que ha alcanzado la madurez está lista para ser cosechada. La predicción de la madurez y calidad de la fruta es importante no solo para los agricultores o la industria alimentaria, sino también para las pequeñas tiendas minoristas y supermercados donde se venden y compran frutas. La clasificación de la madurez de la fruta es el proceso por el cual las frutas se clasifican según su madurez en su ciclo de vida. Hoy en día, el aprendizaje profundo (DL) se ha aplicado en muchas aplicaciones de agricultura inteligente, como el manejo del agua y el suelo, la siembra de cultivos, la detección de enfermedades en los cultivos, la eliminación de malas hierbas, la distribución de cultivos, el recuento de frutas fuertes, la cosecha de cultivos y la previsión de la producción. Este estudio tiene como objetivo encontrar los mejores algoritmos de aprendizaje profundo que se puedan utilizar para predecir la madurez y calidad de la fruta para la vida útil de la misma. En este estudio, se utilizan dos conjuntos de datos de frutas de plátano, donde creamos el primer conjunto de datos, y el segundo conjunto de datos se toma de Kaggle, llamado Fruit 360. Nuestro conjunto de datos contiene 2100 imágenes en 3 categorías: maduro, verde e pasado de maduro, cada una con 700 imágenes. Se utiliza una técnica de aumento de imágenes para maximizar el tamaño del conjunto de datos a 18,900. Se utilizan redes neuronales convolucionales (CNN) y técnicas de AlexNet para construir el modelo para ambos conjuntos de datos. El conjunto de datos original logró una precisión del 98.25% para el modelo de CNN y del 81.75% para el modelo de AlexNet, mientras que el conjunto de datos aumentado logró una precisión del 99.36% para el modelo de CNN y del 99.44% para el modelo de AlexNet. El conjunto de datos de Fruit 360 logró una precisión del 81.96% para CNN y del 81.75% para el modelo de AlexNet. Concluimos que para los tres conjuntos de datos de imágenes de plátanos, el modelo de CNN propuesto es el mejor algoritmo de DL adecuado para la clasificación de la madurez y detección de calidad de la fruta de plátano.
Descripción
La fruta que ha alcanzado la madurez está lista para ser cosechada. La predicción de la madurez y calidad de la fruta es importante no solo para los agricultores o la industria alimentaria, sino también para las pequeñas tiendas minoristas y supermercados donde se venden y compran frutas. La clasificación de la madurez de la fruta es el proceso por el cual las frutas se clasifican según su madurez en su ciclo de vida. Hoy en día, el aprendizaje profundo (DL) se ha aplicado en muchas aplicaciones de agricultura inteligente, como el manejo del agua y el suelo, la siembra de cultivos, la detección de enfermedades en los cultivos, la eliminación de malas hierbas, la distribución de cultivos, el recuento de frutas fuertes, la cosecha de cultivos y la previsión de la producción. Este estudio tiene como objetivo encontrar los mejores algoritmos de aprendizaje profundo que se puedan utilizar para predecir la madurez y calidad de la fruta para la vida útil de la misma. En este estudio, se utilizan dos conjuntos de datos de frutas de plátano, donde creamos el primer conjunto de datos, y el segundo conjunto de datos se toma de Kaggle, llamado Fruit 360. Nuestro conjunto de datos contiene 2100 imágenes en 3 categorías: maduro, verde e pasado de maduro, cada una con 700 imágenes. Se utiliza una técnica de aumento de imágenes para maximizar el tamaño del conjunto de datos a 18,900. Se utilizan redes neuronales convolucionales (CNN) y técnicas de AlexNet para construir el modelo para ambos conjuntos de datos. El conjunto de datos original logró una precisión del 98.25% para el modelo de CNN y del 81.75% para el modelo de AlexNet, mientras que el conjunto de datos aumentado logró una precisión del 99.36% para el modelo de CNN y del 99.44% para el modelo de AlexNet. El conjunto de datos de Fruit 360 logró una precisión del 81.96% para CNN y del 81.75% para el modelo de AlexNet. Concluimos que para los tres conjuntos de datos de imágenes de plátanos, el modelo de CNN propuesto es el mejor algoritmo de DL adecuado para la clasificación de la madurez y detección de calidad de la fruta de plátano.