Sistema de clasificación mejorado basado en aprendizaje profundo para el diseño de un robot de recolección de tomates

El sistema de clasificación basado en el nivel de madurez desempeña un papel esencial en el diseño de un robot de recolección de tomates. Los sistemas tradicionales basados en el conocimiento son incapaces de satisfacer los requisitos actuales de gestión de producción para la recolección de precisión, debido a que son lentos y tienen baja precisión. Nuestra investigación propone un método de clasificación mejorado basado en aprendizaje profundo que aumenta la precisión y escalabilidad de la madurez del tomate con una pequeña cantidad de datos de entrenamiento. Este estudio se centró en la relación entre diferentes métodos de aumento de datos y los resultados de predicción de la tarea de clasificación final. Implementamos sistemas de clasificación basados en redes neuronales convolucionales (CNN), entrenando y validando el modelo en diferentes conjuntos de datos aumentados y tratando de elegir un método de aumento óptimo para los conjuntos de datos. Los resultados experimentales mostraron una precisión media del 91.9% con un tiempo de predicción inferior a 0.01 segundos. En comparación con los métodos existentes, nuestra solución logró mejores resultados de predicción tanto en términos de precisión como de consumo de tiempo. Además, este es un método versátil y se puede extender a otros campos relacionados.