SISTEMA INFORMÁTICO PARA LA CLASIFICACIÓN AUTOMÁTICA DE IMÁGENES DE GRANOS DE POLEN / COMPUTER SYSTEM FOR THE AUTOMATIC CLASSIFICATION OF POLLEN GRAIN IMAGES
Palabras clave:
Clasificación automática, Imágenes microscopicas, Palinología, PolenResumen
La presente investigación ofrece un sistema que facilita el proceso de clasificación de imágenes de granos de polen de La Empresa Apícola Cubana, cuyos resultados demostraron que existe lentitud en el proceso de análisis polínicos de las mieles, ya que las especies que pertenecen a una misma familia comparten características de identificación. Por esta razón se hizo necesario desarrollar un sistema informático que permitiera a los técnicos melisopalinólogos clasificar automáticamente una imagen de grano de polen. La implementación del sistema se realizó utilizando Keras para la creación de redes neuronales convolucionales y Tensor Flow para el trabajo con imágenes, ambas librerías de Python lo que posibilita su empleo en cualquier plataforma. Para guiar el proceso de desarrollo se utilizó la metodología Rational Unified Process (RUP). El sistema propuesto posibilita el identificación y clasificación rápida de imágenes de granos de polen. Almacena un conjunto de datos que permite al sistema identificar las especies de plantas.
Citas
ACERO-CUELLAR, T. … [ et al.] (2022). There’s no difference: Convolutional Neural Networks for transient detection without template subtraction. Disponible en: https://arxiv.org/pdf/2203.07390v1.pdf. Visitado: 25 de marzo de 2022.
ADAMS, A. (2021). Python Programming, Deep Learning: 3 Books in 1: A Complete Guide for Beginners, Python Coding for Ai, Neural Networks, & Machine Learning, Data Science/Analysis with Practical Exercises for Learners. S. L.: Anthony Adams.
BELBAHRI, M. … et al.] (2019). Foothill: A Quasiconvex Regularization for Edge Computing of Deep Neural Networks (arXiv:1901.06414). arXiv. Disponible en: https://doi.org/10.48550/arXiv.1901.06414. Visitado: 21 de septiembre de 2022.
BI, Y., XUE, B., y ZHANG, M. (2021). Genetic Programming for Image Classification: An Automated Approach to Feature Learning. S.L.: Springer Nature. ISBN 978-3-030-65927-1.
BROWNLEE, J. (2019). Deep Learning for Computer Vision: Image Classification, Object Detection, and Face Recognition in Python. Machine Learning Mastery. Disponible en: https://machinelearningmastery.com/deep-learning-for-computer-vision/. Visitado: 3 de mayo de 2022.
ELGENDY, M. (2020). Deep Learning for Vision Systems. Shelter Island, NY: s.n. ISBN 978-1-61729-619-2.
GARCÍA SÁNCHEZ, E., ALCALÁ NALVAIZ, J. T. y ORELLANA LOZANO, L. (2019). Introducción a las redes neuronales de convolución. Aplicación a la visión por ordenador—Repositorio Institucional de Documentos. Universidad de Zaragoza. Disponible en: https://zaguan.unizar.es/record/87398?ln=es# Visitado: 6 julio 2021.
IBRAHIM, Y., NAGY, B. y BENEDEK, C. (2019). CNN-Based Watershed Marker Extraction for Brick Segmentation in Masonry Walls. En F. Karray, A. Campilho, y A. Yu (Eds.), Image Analysis and Recognition (pp. 332-344). Springer International Publishing. Disponible en: https://doi.org/10.1007/978-3-030-27202-9_30 Visitado: octubre de 2022.
LOUVEAUX, J., MAURIZIO, A. y VORWOHL, G., (1978). Methods of Melissopalynology. Bee World, Vol. 59, No. 4, pp. 139-157. Disponible en: https://doi.org/10.1080/0005772X.1978.11097714. Visitado: 24 de junio de 2022.
MARDANIRAD, S., WOOD, D. y ZAKERI, H., (2021). The application of deep learning algorithms to classify subsurface drilling lost circulation severity in large oil field datasets. SN Applied Sciences, Vol. 3. Disponible en: https://doi.org/10.1007/s42452-021-04769-0. Visitado: 24 de junio de 2022.
MOORE, P.D. y WEBB, J.A., (1978). An Illustrated Guide to Pollen Analysis. London: s.n. ISBN 978-0-340-21449-7.
RAFF, E. (2022). Inside Deep Learning: Math, Algorithms, Models. S.l.: Simon and Schuster.
SANTOS, I.E.M. …[et al.], (2000). Flora apícola de la provincia de Camagüey. Revista del Jardín Botánico Nacional, Vol. 21, No. 2, pp. 235-252.
SEVILLANO, V. y AZNARTE, J.L., (2018). Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks. PLOS ONE, Vol. 13, No. 9, pp. e0201807. Disponible en: https://doi.org/10.1371/journal.pone.0201807. Visitado: 10 de octubre de 2022.
TAN, M. y LE, Q.V., (2020). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. En: arXiv:1905.11946 [cs, stat]type: article [en línea]. S.l.: arXiv. arXiv:1905.11946. Disponible en: http://arxiv.org/abs/1905.11946. Visitado: 9 junio 2022.
VALES, M.A., ÁLVAREZ, A., MONTES, L. y ÁVILA, A., (1998). Estudio Nacional sobre la Diversidad Biológica en la República de Cuba [en línea]. Disponible en: https://docplayer.es/storage/68/59769548/59769548.pdf. Visitado: 10 de septiembre de 2022.
WADI, H. (2021). Step By Step Neural Networks for Image Classification using Python GUI: A practical approach to understand the neural networks algorithm for image classification with project based example. S.l.: Turida Publisher.
WONG, A. (2018). NetScore: Towards Universal Metrics for Large-scale Performance Analysis of Deep Neural Networks for Practical On-Device Edge Usage (arXiv:1806.05512). arXiv. Disponible en: https://doi.org/10.48550/arXiv.1806.05512 Visitado: 9 junio 2022.
Publicado
Versiones
- 24-05-2023 (2)
- 25-01-2023 (1)
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Universidad & ciencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
