Clasificación de imágenes del dataset FBSI por medio de redes neuronales
DOI:
https://doi.org/10.36825/RITI.13.32.006Palabras clave:
Lectura de Comederos, Ganadería de Precisión, Inteligencia Artificial, Dataset FBSI, InceptionV3Resumen
Este documento presenta la aplicación de los modelos InceptionV3, VGG16, ResNet50 y una red neuronal convolucional (CNN) simple, para analizar el dataset FBSI (Feed Bunk Score Image) compuesto por 1511 imágenes, agrupadas en seis clases. El objetivo principal es identificar el modelo con el mejor indicador de F1-Score, para la clasificación de imágenes en el contexto de la ganadería de precisión. El estudio se basa en un análisis comparativo de modelos pre-entrenados. Se describen las características del dataset FBSI. La configuración del equipo, el procedimiento metodológico, así como el software y lenguaje de programación necesarios, validando la hipótesis de que el sistema de clasificación de imágenes de lectura de comederos alcanza un rendimiento superior al 85%.
Citas
Ceconi, I., Ferreyra, S., Méndez, D., Davies, P. (2018). Terminación a corral: lectura de comederos y su impacto sobre resultados productivos. Revista Ganado, 50-54. https://primianutricion.com.ar/wp-content/uploads/2019/08/inta_dg2018_ceconi_terminacion_corral_lectura.pdf
Rusche, W. (2023). Feed Bunk Management. https://extension.sdstate.edu/feed-bunk-management
Dorea, J. R. R., Cheong, S. (2019). PSXI-2 A computer vision system for feed bunk management in beef cattle feedlot. Journal of Animal Science, 97(Supplement 3), 389–390. https://doi.org/10.1093/jas/skz258.776
Marques de Paula, B., Rezenda da Silva, G., Ferreira, S. E., Coimbra Maia, B. L., Gomes Almeida, M. E., Soares Júnior, V. M., da Silva Maciel, L. M., Chaves, A. S. (2023). Dataset of feed bunk score images of cattle feedlot. Data in Brief, 47, 1-6. https://doi.org/10.1016/j.dib.2023.108996
Marques De Paula, B. (2023). Modelo de aprendizado para classificação de escore de cocho em confinamentos de bovinos de corte com base em imagens [Tesis de Maestría]. Universidade Federal De Minas, Montes Claros, Brasil. https://hdl.handle.net/1843/69269
Arévalo Zenteno, M. D. (2021). Clasificación de la fruta del Durazno mediante Redes Neuronales Convolucionales [Tesis de Doctorado]. Universidad Autónoma del Estado de México. Texcoco, Estado de México.
Heras, D. (2017). Fruit image classifier based on artificial intelligence. Revista Killkana Técnica, 1 (2), 21–30. https://killkana.ucacue.edu.ec/index.php/killkana_tecnico/article/view/79/127
Zhang, Y., Wu, L. (2012). Classification of fruits using computer vision and a multiclass support vector machine. Sensors, 12 (9), 12489–12505. https://doi.org/10.3390/s120912489
Olguín-Rojas, J. C., Vasquez-Gomez, J. I., López-Canteñs, G. de J., Herrera-Lozada, J. C. (2022). Classification of apples with convolutional neuronal networks. Revista Fitotecnia Mexicana, 45 (3), 369–378. https://doi.org/10.35196/rfm.2022.3.369
Rashid Methun, N., Yasmin, R., Begum, N., Rajbongshi, A., Islam, E. (2021). Carrot Disease Recognition using Deep Learning Approach for Sustainable Agriculture. International Journal of Advanced Computer Science and Applications (IJACSA), 12 (9), 723-741. https://dx.doi.org/10.14569/IJACSA.2021.0120981
LeCun, Y., Bottou, L., Bengio, Y., Haffner, P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86 (11), 2278-2324. https://doi.org/10.1109/5.726791
Jerubbaal, J. L., Rajkumar, J., Mahesh, B. (2019). Impact of image size on accuracy and generalization of convolutional neural networks. International Journal of Research and Analytical Reviews, 6 (1), 70- 80. https://n9.cl/sqkuc
Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: concepts, tools, and techniques to build intelligent systems. O’Reilly Media, Inc. https://n9.cl/kntzd
Chollet, F. (2017). Xception: Deep Learning with Depthwise Separable Convolutions. Conference on Computer Vision and Pattern Recognition (CVPR). Honolulu, HI, USA. https://doi.ieeecomputersociety.org/10.1109/CVPR.2017.195
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Revista de Investigación en Tecnologías de la Información
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Esta revista proporciona un acceso abierto a su contenido, basado en el principio de que ofrecer al público un acceso libre a las investigaciones ayuda a un mayor intercambio global del conocimiento.
El texto publicado en la Revista de Investigación en Tecnologías de la Información (RITI) se distribuye bajo la licencia Creative Commons (CC BY-NC
), que permite a terceros utilizar lo publicado citando a los autores del trabajo y a RITI, pero sin hacer uso del material con propósitos comerciales.
