Abstract
Introduction : Mobile apps, through artificial vision, are capable of recognizing vegetable species in real time. However, the existing species recognition apps do not take in consideration the wide variety of endemic and native (Chilean) species, which leads to wrong species predictions. This study introduces the development of a chilean species dataset and an optimized classification model implemented to a mobile app. Method : the data set was built by putting together pictures of several species captured on the field and by selecting some pictures available from other datasets available online. Convolutional neural networks were used in order to develop the images prediction models. The networks were trained by performing a sensitivity analysis, validating with k-fold cross validation and performing tests with different hyper-parameters, optimizers, convolutional layers, and learning rates in order to identify and choose the best models and then put them together in one classification model. Results : The final data set was compounded by 46 species, including native species, endemic and exotic from Chile, with 6120 training pictures and 655 testing pictures. The best models were implemented on a mobile app, obtaining a 95% correct prediction rate with respect to the set of tests. C onclusion : The app developed in this study is capable of classifying species with a high level of accuracy, depending on the state of the art of the artificial vision and it can also show relevant information related to the classified species.
Highlights
Los bosques de Chile cubren una superficie de 17,66 millones de hectáreas, lo que representa el 23,3% de la superficie del territorio nacional
A pesar de que las metodologías y las arquitecturas realizadas en estos estudios podrían ser aplicadas con especies nativas chilenas, son estudios que analizan conjuntos que no incluyen a las especies nativas o endémicas de Chile
Actualmente, existen aplicaciones para dispositivos móviles que son capaces de reconocer y diferenciar especies vegetales de diferentes partes del mundo con un buen porcentaje de clasificación, pero estas han sido desarrolladas en otros países enfocándose en flora de Europa, América del Norte y América Central (Bilyk et al, 2020), lo cual podría radicar en una clasificaciónincorrectade especies chilenas y desinformar a las personas al entregar resultados erróneos
Summary
Recebido/Submitted: 15 de junho de 2021; Aceito/Approved: 29 de setembro de 2021. Copyright c 2021 Lusting, Bolt, & Valle. Introucción: las aplicaciones móviles, a través de la visión artificial, son capaces de reconocer especies vegetales en tiempo real. Esta investigación presenta la construcción de un dataset de especies chilenas y el desarrollo de un modelo de clasificación optimizado e implementado en una aplicación móvil. Se utilizaron redes neuronales convolucionales para desarrollar los modelos de predicción de imágenes. Se realizó un análisis de sensibilidad al entrenar las redes, validando con k-foldcrossvalidation y efectuando pruebas con distintos hiperparámetros, optimizadores, capas convolucionales y tasas de aprendizaje, paraseleccionar los mejores modelos y luego ensamblarlos en un solo modelo de clasificación. Los mejores modelos se implementaron en una aplicación móvil, donde se obtuvo un porcentaje de acierto de aproximadamente 95% con respecto al conjunto de pruebas. Palavras-chave: Visión artificial; Redes neuronales convolucionales; Flora Chilena; Aplicaciones móviles
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
