Revista: | Visión electrónica |
Base de datos: | PERIÓDICA |
Número de sistema: | 000460924 |
ISSN: | 1909-9746 |
Autores: | Jiménez Moreno, Robinson1 Martínez Baquero, Javier Eduardo2 Rodríguez Umaña, Luis Alfredo3 |
Instituciones: | 1Universidad Militar Nueva Granada, Bogotá. Colombia 2Universidad Autónoma de Bucaramanga, Bucaramanga, Santander. Colombia 3Universidad de los Llanos, Villavicencio, Meta. Colombia |
Año: | 2018 |
Volumen: | 12 |
Número: | 2 |
Paginación: | 258-262 |
País: | Colombia |
Idioma: | Español |
Tipo de documento: | Artículo |
Resumen en español | El presente artículo expone el diseño de una arquitectura de red para reconocimiento de patrones orientada a la clasificación automática de dos tipos de peces: mojarra y tilapia. Se emplea una arquitectura basada en aprendizaje profundo mediante una red neuronal convolucional (RNC) para la cual se determina la base de datos a emplear y los diferentes hiperparámetros que la componen. Se logra obtener, mediante análisis por matriz de confusión, un desempeño del 100% de la red bajo las condiciones controladas el sistema de clasificación, es decir: color de banda transportadora uniforme y uso de luz día |
Resumen en inglés | The present article exposes the design of a network architecture for pattern recognition, oriented to the automatic classification of two types of fish: mojarra and tilapia. An architecture based on deep learning is used by means of a convolutional neuronal network (CNN), for which the database to be used and the different hyperparameters that compose it are determined. It is possible to obtain, through confusion matrix analysis, a 100% performance of the network under the controlled conditions of the classification system, that is: uniform conveyor belt color and daylight use |
Disciplinas: | Ciencias de la computación |
Palabras clave: | Arquitectura de redes, Clasificación automática, Dinámica de poblaciones, Peces, Reconocimiento de patrones, Red neuronal convolucional |
Keyword: | Automatic classification, Convolutional neural network, Fishes, Network architecture, Pattern recognition, Population dynamics |
Texto completo: | https://revistas.udistrital.edu.co/index.php/visele/article/view/14265/14388 |