PRS2Net: un modelo eficiente de detección inteligente de zanahorias a través de un filtro de poda y mecanismos de...

Área de la Ciencia:

• Ciencias Agrícolas
• Visión por computadora
• Aprendizaje automático

Sus antecedentes:

• Las zanahorias son ricas en nutrientes, vitales para la salud humana.
• Los modelos de aprendizaje profundo existentes para la evaluación de la calidad de las zanahorias sufren de altos costos computacionales y redundancia de parámetros.
• La eficacia de la inspección automatizada de la calidad es crucial para las industrias agrícola y alimentaria.

Objetivo del estudio:

• Desarrollar una red de aprendizaje profundo ligera y eficiente para la inspección automatizada de la calidad de las zanahorias.
• Abordar las limitaciones de los altos costos computacionales y los parámetros redundantes en los modelos actuales.
• Mejorar la velocidad y la precisión de la evaluación de la calidad de las zanahorias.

Principales métodos:

• Se compararon cuatro redes de aprendizaje profundo: GoogLeNet, MobileNet-v2, ResNet18 y ResNet50.
• Seleccionó ResNet18 como base para una nueva red ligera, PRS2Net.
• Se aplicó la poda a través de la expansión de Taylor de primer orden e incorporó un mecanismo de atención para optimizar ResNet18.

Principales resultados:

• PRS2Net redujo los parámetros aprendibles de 11.173.764 a 444.152.
• Se logró una precisión del 97.25% en el conjunto de validación.
• Disminución del tiempo de entrenamiento en aproximadamente un 53,15% en comparación con la ResNet original18.

Conclusiones:

• PRS2Net ofrece una mejora significativa en la velocidad y la eficiencia de la evaluación de la calidad de las zanahorias.
• La red ligera desarrollada proporciona una solución práctica y eficiente en recursos para los sistemas agrícolas automatizados.
• Este avance puede conducir a una reducción de los costos operativos y una mayor escalabilidad en las aplicaciones de la industria alimentaria.