Sistema de detección y clasificación automática de granos de polen mediante técnicas de procesado digital de imágenes

Abstract

En este artículo se presentan los avances en la construcción de un sistema informático que permitirá el reconocimiento y clasificación taxonómica de granos de polen de algunas de las plantas melíferas tropicales más importantes en Costa Rica. Se aplicaron técnicas de pre y post procesado de imágenes digitales a partir de una base de datos de referencia. El sistema digital elaborado aplica filtros a las imágenes, lo cual permite su detección y un realce de sus características y su contorno. Luego, se parametriza y, finalmente, se utiliza un sistema de redes neuronales para el reconocimiento automático de los granos de polen. A través de la implementación de programas informáticos, se pretende pasar de un paradigma cualitativo a uno cuantitativo con el empleo de distintas herramientas matemáticas e inteligencia artificial, de forma que se pueda agilizar el proceso de reconocimiento y clasificación de los granos de polen. Mediante el método de PCA y la suma en las salidas de 30 redes neuronales (AS) se logro obtener una tasa de éxito del 91,67± 3,13, lo cual es altamente promisorio para los efectos del sistema de clasificación automática.

This paper showthe current state of a computer system that will allow the recognition and taxonomic classification of pollen grains of some of the most important tropical honey plants in Costa Rica using techniques of pre and post processing of digital images. The digitalsystem uses filters on the images allowing it to detect and highlights its features and contour. Afterwardsit is parametrized and finally a system of neuronal interconnections is used for the automatic recognition of pollen grains. The idea behind the implementation of a computer programis to move from aqualitative to a quantitative paradigm, using different mathematical tools and artificial intelligence in a way that can speed the process of recognition and classification of pollen grains. Using the PCA and the Sum at the outputs (CA) of 30 networks were able to obtain a success rate of 91,67 ± 3,13 which is highly promisisng for the purpose of the automatic classification system.