Diseño de un algoritmo detector de nivel de clorofila tipo A y B en las hojas mediante procesamiento de imágenes aplicando una red neuronal convolucional

Abstract

En el proyecto expuesto a continuación se muestra el desarrollo de un algoritmo detector de los niveles (Alto, Medio y Bajo) de la clorofila ‘A’ y ‘B’, mediante el procesamiento digital de imágenes y redes neuronales convolucionales. Durante la implementación del proyecto se llevó a cabo una metodología para el desarrollo de este, la cual está constituida por tres partes fundamentales. La primera, trata sobre la fabricación del módulo de adquisición de muestras y elaboración del banco de imágenes. Dicho módulo se encargó de acondicionar las muestras para su posterior captura. Con las muestras adquiridas se construyó la base de imágenes para el entrenamiento de la red, y haciendo uso de dos métodos diferentes (recortado y reducido) se ajustaron los parámetros de entrada de esta. Después, como segunda parte se procede a entrenar múltiples modelos de red a partir de diferentes bancos de imágenes prediseñados. Estos bancos cuentan con distintas cantidades de imágenes y ajustes de entrenamiento de la red; ya sea el batch size, el número de épocas, la tasa de aprendizaje o el número de iteraciones. Por último, se procede a validar cada uno de los modelos con las diferentes muestras de validación guardadas en la base de imágenes. Los resultados que arrojó la validación de las redes muestran que la red R1000A presentó 98,22% de exactitud, el más alto entre todos los modelos entrenados. A partir de esto se puede concluir, que para la clasificación de niveles de clorofila que no requieran gran exactitud, una red neuronal convolucional puede realizar esta labor de manera adecuada si se le entrena con una cantidad de muestras por nivel de 1000 imágenes, un batch size de 100 y una tasa de aprendizaje de 0.0001. El número de iteraciones de la red viene dado por la cantidad de muestras usadas para el entrenamiento.