Reconocimiento de imagen herbal utilizando aprendizaje profundo.Un sitio web necesita cookies para operar correctamente. Estos archivos pequeños transmiten información técnica y de preferencia, como la configuración del idioma, al servidor de sitios web. Sin estas cookies, el sitio web no puede proporcionarle características personalizadas. Sin embargo, si no desea cookies, puede eliminarlas de su navegador. Para deshabilitar las cookies, visite la página de configuración de los sitios web. Después de que haya deshabilitado las cookies, su sitio web no funcionará correctamente. Sin embargo, si continúa utilizando el sitio web sin cambiar sus preferencias, podrá navegar por el sitio web sin estas cookies.NasLa medicina herbal está creciendo en popularidad y existe una creciente necesidad de un reconocimiento de imágenes confiable y preciso. El reconocimiento manual de hierbas es difícil porque requiere conocimiento especializado y materiales químicos. El reconocimiento automático de la imagen de la hierba se basa en el aprendizaje profundo para la clasificación de imágenes y es una tecnología poderosa, pero a menudo se debe a los entornos de recursos limitados. Para superar este desafío, el presente estudio introduce una sólida aplicación móvil habilitada con aprendizaje profundo para el reconocimiento de imágenes de hierbas que puede ejecutarse en teléfonos inteligentes comunes y de bajo costo.CnnActualmente, el algoritmo CNNS no puede reconocer de manera confiable las imágenes de hierbas. El algoritmo no es tan estable como otros métodos, como el algoritmo de visión CNN CNN, que requiere que un humano lo entrene. Sin embargo, este método ayuda a los algoritmos CNNS a predecir qué imágenes de hierbas son precisas. Este método es adecuado para configuraciones de recursos limitadas, como una cámara de teléfono celular. Requiere una pequeña cantidad de hardware y puede ser entrenado fuera de línea.Pérdida de tripleteEl uso de imágenes herbales para el reconocimiento de imágenes puede ser beneficioso para identificar dolencias, pero también crea una fuente potencial de error. El cálculo de pérdidas en tales escenarios a menudo es inexacto debido al bajo número de entradas disponibles. Sin embargo, estas funciones de pérdida no son el único medio para determinar la precisión de un modelo. Por ejemplo, un modelo puede no poder identificar correctamente una variedad de enfermedades si no tiene suficientes datos para clasificar adecuadamente los síntomas.Características de la imagenEn muchos casos, las imágenes de hierbas con fondos limpios y alta resolución son mejores para la clasificación que otras. Sin embargo hay algunas excepciones. Entre otras cosas, la resolución de las imágenes de la hierba puede ser demasiado baja y el fondo puede tener mucho desorden. Para lograr la mejor precisión de la clasificación, las características de la imagen de hierbas deben considerarse en un sistema de clasificación bien diseñado. En este artículo, bien discuten algunas de estas características. A continuación se enumeran algunas otras características importantes a considerar.Pre-entrenamientoUna de las características más útiles del conjunto de datos ImageNet51 es su capacidad para reconocer diferentes hierbas. Para fines de capacitación, debe preparar la imagen antes de ejecutar el cálculo DNN. El tamaño de una imagen puede variar según el hardware y la resolución utilizados. El tamaño fijo de la imagen de entrada para fines de entrenamiento es de 224 x 224 píxeles. Aquí, presentamos dos métodos que lo ayudan a procesar imágenes herbales. Ambos métodos mejoran la precisión de reconocimiento de los DNN y los hacen robustos a las diferencias de hardware y resolución.Entrenamiento en el conjunto de datos de la imagen de la hierba.Los conjuntos de datos de imágenes de hierbas difieren en tamaño debido a la resolución y el hardware. Para crear un modelo robusto, usamos DNNS con tasas de aprendizaje de 0.1 y 0.0001 divididas por 10 por cada 30 épocas. Los DNN entrenados en conjuntos de datos de imágenes de hierbas son grandes y pequeños, con tasas de inicio y finalización de 0.01 y 0.0001, respectivamente. El conjunto de datos de entrenamiento contiene imágenes de una amplia gama de hierbas diferentes y varía en tamaño de 10 a 90 píxeles.ResultadosEl objetivo del procesamiento de imágenes de hierbas es preparar la imagen para el cálculo de DNN. El tamaño de la imagen herbal puede variar debido a diferentes hardware y resolución. Por lo general, se fija en 224x224 píxeles. Esto significa que recortar la imagen antes del cálculo de DNN cambiará el tamaño de las imágenes y la relación de ancho a altura. Además del tamaño de la imagen, el cultivo puede mejorar la robustez y la precisión de reconocimiento.Aplicación en entornos de recursos limitadosLas imágenes herbales son una forma común de describir las plantas medicinales. Tienen diferentes propiedades, como alta resolución, baja resolución y fondos desordenados. Estas diferencias pueden afectar la precisión de la clasificación. Una buena técnica de colaboración de dominio ayuda a maximizar la utilización de datos. Los siguientes párrafos discuten los métodos y desafíos para aplicar imágenes herbales en configuraciones de recursos limitados. También puede obtener más información sobre los diferentes tipos de imágenes herbales. Después de conocer estos métodos, puede aplicarlos en configuraciones de recursos limitados.