Análisis y desarrollo de ocho arquitecturas de aprendizaje profundo para la clasificación de hongos

Un alimento que es fácil de encontrar en la naturaleza son los hongos. En términos de forma y características, los hongos son similares. Organizar los hongos en grupos para que se puedan separar los tóxicos de los no tóxicos es importante. El análisis en tiempo real de los hongos aún no se utiliza con frecuencia. Estudios anteriores se centraron principalmente en el rendimiento y la precisión, ignorando la computación arquitectónica y una cantidad significativa de preprocesamiento de datos. El conjunto de datos utilizado está más condicionado a laboratorio. Esto impedirá el proceso de implementación generalizada. El estudio sugiere cambios en ocho arquitecturas actuales: Modified DenseNet201, DenseNet121, VGG16, VGG19, ResNet50, InceptionNetV3, MobileNet y EfficientNet B1. El desarrollo de esta arquitectura tuvo lugar en las áreas de clasificación y aprendizaje de hiperparámetros. En contraste con las otras ocho arquitecturas, la arquitectura MobileNet exhibe el menor rendimiento computacional y la mayor precisión, según los resultados de la comparación. Cuando se utiliza la matriz de confusión para la evaluación, se logra una precisión del 82.7%. Modified MobileNet tiene la mejor velocidad porque mantiene una arquitectura de computación más baja y reduce el preprocesamiento innecesario. Esto significa que muchas personas pueden usar teléfonos inteligentes con condiciones de datos más realistas para hacerlo funcionar.