Revista de Tecnología de la Información e Ingeniería de Software
Acceso abierto

abstracto

Discriminación de imágenes de dinamólisis capilar mediante redes neuronales

Mehmet S. Unluturk, Sevcan Unluturk, Fikret Pazir y Firoozeh Abdollahi

Las diferencias de calidad entre los tomates frescos orgánicos y convencionales (sin procesar) y los tomates congelados (procesados) se evalúan mediante el uso de un método de imagen ascendente capilar (dinamólisis capilar). Las mejores imágenes que muestran las diferencias más marcadas entre muestras orgánicas y convencionales se prepararon con 0,25-0,75 % de nitrato de plata, 0,25-0,75 % de sulfato de hierro y 30-100 % de concentración de muestra. Pero la descripción visual y el análisis de estas imágenes es un gran desafío. Por lo tanto, se ha estudiado una metodología novedosa llamada metodología de redes neuronales de Gram-Charlier (GCNN) para clasificar estas imágenes. Se han creado dos GCNN separados para cajas frescas y congeladas. Están capacitados con las imágenes de muestras de tomate orgánico y convencional de estos dos casos. Las imágenes del cromatograma de 2048 x 1536 píxeles se adquirieron en un laboratorio y se recortaron a imágenes de 1400 x 900 píxeles que representan un tomate convencional o un tomate orgánico para cada caso. Se utilizó un conjunto de 20 imágenes de cada caso para entrenar cada red neuronal Gram-Charlier. Luego se preparó un nuevo conjunto de 4 imágenes de cada caso para probar el rendimiento de cada GCNN. Además, se utilizaron diagramas de Hinton para mostrar la optimización de los pesos de GCNN. En general, la GCNN logró un rendimiento de reconocimiento promedio del 100 %. Este alto nivel de reconocimiento sugiere que la GCNN es un método prometedor para la discriminación de imágenes de dinamólisis capilar y su rendimiento no depende de si la muestra de tomate es fresca o congelada.