Clasificación de imágenes hiperespectrales de frutas y verduras, mediante aprendizaje profundo.

Abstract

En la actualidad la aplicación de técnicas de aprendizaje profundo (Deep Learning) para la clasificación de imágenes hiperespectrales ha permitido un mejor aprovechamiento de la información proporcionada por estas imágenes. Basados en este hecho, se presenta el uso de redes neuronales convolucionales de dos dimensiones (2D-CNN) para la clasificación de 13 clases de frutas y verduras escogidas aleatoriamente, de una base de datos publica de 42 imágenes hiperespectrales. Para el desarrollo de este trabajo se parte de la selección de una arquitectura de aprendizaje profundo, con el fin de aplicarse en la clasificación de tres imágenes hiperespectrales construidas artificialmente usando partes extraídas de la base de datos de 42 imágenes hiperespectrales mencionada. Cada una de estas tres imágenes contiene las mismas clases, pero mezcladas espacialmente en diferentes formas. Estas imágenes se pre procesaron y generaron usando Matlab®. A partir de estas imágenes hiperespectrales, se procede a realizar el entrenamiento y predicción en lenguaje Python implementando librerías de TensorFlow. Se realizó una comparación de resultados de clasificación usando máquinas de soporte vectorial, técnica clásica de clasificación y esto mostró que la 2D-CNN tiene un mejor desempeño. La arquitectura 2D-CNN superó el 98% de precisión en la clasificación (para las tres imágenes generadas), y aunque con altos resultados en los tres casos, también se pudo observar que el modelo es dependiente de la forma en la que se distribuyen espacialmente los píxeles de cada clase en las imágenes hiperespectrales construidas para este trabajo.