Diseño y desarrollo de aplicación móvil para la clasificación de flora nativa chilena utilizando redes neuronales convolucionales

Resumo

Introducción: Las aplicaciones móviles, a través de la visión artificial, son capaces de reconocer especies vegetales en tiempo real. Sin embargo, las actuales aplicaciones de reconocimiento de especies no consideran la gran variedad de especies endémicas y nativas de Chile, tendiendo a predecir erróneamente. 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.  Método: La construcción del dataset se realizó a través de la captura de fotografías de especies en terreno y selección de imágenes de datasets en línea. 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-fold cross validation y efectuando pruebas con distintos hiperparámetros, optimizadores, capas convolucionales y tasas de aprendizaje, para seleccionar los mejores modelos y luego ensamblarlos en un solo modelo de clasificación. Resultados: El dataset construido se conformó por 46 especies, incluyendo especies nativas, endémicas y exóticas de Chile, con 6120 imágenes de entrenamiento y 655 de prueba. 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. Conclusiones: La aplicación desarrollada es capaz de clasificar especies correctamente con una probabilidad de acierto acorde con el estado del arte de la visión artificial y de mostrar información de la especie clasificada.