Revista: | Acta agronómica |
Base de datos: | PERIÓDICA |
Número de sistema: | 000426745 |
ISSN: | 0120-2812 |
Autors: | Ganganagowder,Narendra Veernagouda1 Kamath,Priya1 |
Institucions: | 1Manipal University, Manipal Institute of Technology, Manipal, Karnataka State. India |
Any: | 2017 |
Període: | Oct-Dic |
Volum: | 66 |
Número: | 4 |
Paginació: | 486-494 |
País: | Colombia |
Idioma: | Inglés |
Tipo de documento: | Artículo |
Enfoque: | Analítico, descriptivo |
Resumen en español | El objetivo de esta investigación es construir un modelo de clasificación supervisada inteligente de productos alimenticios tales como galletas, cereales, vegetales, nueces, plantas, etc., el uso de imágenes digitales. La correlación basada Selección de características (CFS) y el algoritmo 2ª derivados pretratamientos de la morfológica, Color y Características de textura fueron utilizados para entrenar los modelos de clasificación y detección. Se obtuvo la mejor precisión de la predicción para el perceptrón multicapa mediante los siguientes clasificadores: (MLP), máquinas de vectores soporte (SVM), Bosque aleatorio (RF), logística simple (SLOG) y (SMO) secuencial mínimo de optimización (más del 80% de la tasa de éxito para la formación / equipo de prueba y el 80% para el conjunto de validación). El porcentaje de casos clasificados correctamente era muy alta en estos modelos con un rango de 80% a 96% para la formación del sistema entrenamiento/prueba y hasta el 95% para el conjunto de validación |
Resumen en inglés | The aim of this research is to build a supervised intelligent classification model of food products such as Biscuits, Cereals, Vegetables, Edible nuts and etc., using digital images. The Correlation-based Feature Selection (CFS) algorithm and 2nd derivative pre-treatments of the Morphological, Colour and Texture features are used to train the models for classification and detection. The best prediction accuracy is obtained for the Multilayer Perceptron (MLP), Support Vector Machines (SVM), Random Forest (RF), Simple Logistic (SLOG) and Sequential Minimal Optimization (SMO) classifiers (more than 80% of the success rate for the training/test set and 80% for the validation set). The percentage of correctly classified instances is very high in these models and ranged from 80% to 96% for the training/test set and up to 95% for the validation set |
Disciplines | Ciencias de la computación, Matemáticas |
Paraules clau: | Matemáticas aplicadas, Programación, Alimentos, Algoritmos, Imágenes digitales, Morfología, Color, Textura, Modelos de clasificación |
Keyword: | Applied mathematics, Programming, Foods, Algorithms, Digital images, Morphology, Color, Texture, Classification models |
Text complet: | Texto completo (Ver PDF) |