Adquisición de imágenes, segmentación, umbral y clasificación de imágenes de coco.¡Todos amamos a los cocos! Sin embargo, ¿cómo obtenemos grandes imágenes? En este artículo, huele bien la adquisición de la imagen, la segmentación, el umbral y la clasificación. Estas son solo algunas técnicas que nos ayudan a extraer grandes imágenes de los cocos. Para empezar, descarga nuestra aplicación gratuita! ¡Hay muchas maneras de usarlo! ¡Solo asegúrese de leer el artículo completo primero! Y, no te olvides de calificar y comentar. ¡Manto amor por escuchar tus pensamientos!Adquisición de imágenEn el proceso de adquisición de imágenes, se ajusta el brillo de la imagen adquirida. Luego, se detecta la región de interés en la parte inferior de la cáscara de coco. Su color está relacionado con la edad del coco. Los algoritmos de procesamiento de imágenes como K-Medios se utilizan para segmentar las regiones. Dependiendo de la región de interés, se produce la imagen IVOCT. El resultado final muestra la enfermedad del anillo rojo de los cocos.Para determinar la presencia de impurezas, tomamos imágenes en tiempo real de la industria de secado de coco y utilizamos la segmentación de umbral para detectar compuestos que contienen azufre. Algunas de las imágenes estaban incompletas, pero el proceso no requería la entrada de expertos. El modelo de mejor rendimiento fue seleccionado y comparado con los otros dos modelos. El resto del documento explica la metodología de investigación y las conclusiones alcanzadas. La adquisición de imágenes para imágenes de coco implica los siguientes pasos:SegmentaciónEl objetivo de este documento es mejorar la clasificación de los cocos mejorando la calidad del análisis de imágenes. En el estudio, se utilizaron 250 imágenes de cocos como conjunto de datos. Cada imagen fue probada por su contenido aromático. El contenido aromático general de un coco puede variar del cinco al veinte por ciento. Estas imágenes están segmentadas de acuerdo con su contenido aromático general al calcular los porcentajes de los diversos componentes. Los resultados de este estudio muestran que el enfoque proporciona resultados satisfactorios.Para esta tarea, los investigadores están investigando diferentes métodos. En primer lugar, usamos la placa Jetson Nano para identificar los cocos en imágenes capturadas. En segundo lugar, comparamos diferentes algoritmos de agrupación y su eficiencia en la clasificación de los cocos. Los resultados muestran que K-Means tiene una mejor precisión en la identificación de cocos en comparación con DBCAN. Además, se fija el número de grupos, lo que aumenta la calidad de la imagen segmentada. Sin embargo, debemos recordar que el tamaño del conjunto de datos no influye en la eficiencia de K-Medios.LímitePara determinar el contenido aromático de las imágenes de coco, primero aplicaremos un umbral. Este umbral se puede establecer en un valor de 90 o un valor más alto, dependiendo de la calidad de imagen y el tamaño del píxel objetivo. A continuación, utilizaremos una regresión polinómica para obtener un gráfico. Finalmente, calcularemos el promedio (media) de estos valores para determinar el contenido aromático de coco. Para que este proceso sea más sencillo, primero revisaremos todo el proceso.El método de cuenca utiliza análisis espectral junto con un método de segmentación de cuenca para contar y mapear la densidad de coco. Los resultados mostraron que este método identificó correctamente el 65% de los cocos en la imagen, pero solo cuando los cocos estaban bien espaciados. Este método también falla cuando los cocos se superponen, generando errores. Además, no observamos ninguna regularidad a través de la imagen, lo que resultaron en áreas de más y sub-segmentadas.ClasificaciónPara clasificar las imágenes de coco, se creó un conjunto de datos utilizando imágenes de coco de muestra. Estas imágenes de muestra representan una región completa de interés. Estas imágenes fueron capturadas utilizando una cámara digital y luego se procesaron para la clasificación. Cada muestra contiene el mismo número de píxeles en dos espacios de color diferentes, cian y naranja. Usando un esquema de codificación de colores, la imagen de un árbol de coco se clasifica primero como cian, seguida de una muestra bordada en blanco.Se creó el conjunto de datos de 250 imágenes, y cada una se probó para su contenido aromático. El contenido aromático de un coco se expresa como un porcentaje, que varía de cinco a veinte por ciento. Los resultados se muestran en la Figura 6 (izquierda) y en la Fig. 7 (derecha). La salida del algoritmo K significa también se presenta en la Figura 8.Aprendizaje automáticoLos conjuntos de datos para imágenes de coco tienen un movimiento y perspectivas variables. Estas imágenes son similares a los datos del proceso de aumento de datos. Este proceso implica cambio horizontal, cambio aleatorio, rotación, brillo y cambios en el tamaño de píxeles. Estas imágenes se dividen en dos partes, el modelo de entrenamiento y el modelo de prueba. Además, el modelo de prueba está capacitado en los datos del conjunto de capacitación. El resultado es un clasificador que puede clasificar correctamente las imágenes de coco con alta precisión.El método se basa en el tablero Jetson Nano, que es importante para identificar cocos en imágenes capturadas. También utiliza la región de interés. Los investigadores han utilizado la misma técnica para identificar el tamaño de los cocos individuales por sus patrones de concha. Si bien la clasificación manual es efectiva para identificar los cocos, el aprendizaje de la máquina es la forma más eficiente de identificar con precisión y rápidamente los cocos individuales. El investigador principal de este proyecto es el profesor Chonho Lee, de la Universidad de Osaka. Ella explica el proceso en un documento de investigación publicado en la revista Nature Communications.