Evaluación del desempeño de dos modelos de redes neuronales artificiales para clasificar flores de Petunia spp con base en color

Abstract

En esta investigación se presenta la comparación en el desempeño de dos modelos de redes neuronales artificiales, el modelo perceptrón multicapa (MLP, por sus siglas en inglés Multilayer Perceptron) y la red neuronal probabilística (PNN, por sus siglas en inglés Probabilistic Neural Network) para clasificar imágenes digitales de flores de dos variedades de Petunia con base en diferentes espacios de color. Las variedades son Petunia multiflora (varios colores) y Petunia púrpura (un color de flor). Los datos de entrada se obtuvieron a partir de muestras de imagen correspondientes a áreas de flor, hoja y fondo. Cada pixel de las muestras de imagen se transformaron a los espacios de color RGB, LCH y CIE Lab y se asociaron tres clases para la variedad púrpura (color de flor, hoja y fondo) y siete clases para la variedad multiflora (5 colores de flor, hoja y fondo). Se evaluaron diferentes escenarios de modelación para seleccionar las funciones de transferencia, algoritmos de entrenamiento, número de capas ocultas y neuronas del modelo MLP y el parámetro de suavizado del modelo PNN. Se utilizó como criterio de desempeño el porcentaje global de clasificación promedio de 25 particiones aleatorias del conjunto de datos y la matriz de confusión. En general los dos clasificadores presentan buenas eficiencias de clasificación, en promedio el modelo MLP obtuvo un 98.4% de clasificación correcta frente a la red PNN con un 97.1% de clasificación correcta; sin embargo, la red PNN fue superior a la red MLP, debido a su velocidad, la cual en promedio alcanza los 174.75 segundos frente a la MLP con 54589 segundos. _______________ ASSESSEMENT OF THE PERFORMANCE OF THE ARTIFICAL NEURAL NETWORKS TO CLASSIFY Petunia spp’s FLOWERS BASED ON COLOR. ABSTRACT: In this research, a comparison of the performance of two artificial neural networks is presented; the multilayer perceptron model (MLP) and the probabilistic neural network (PNN) to classify digital images of two varieties of Petunia’s flowers based on different color spaces. Varieties were Petunia multiflora (various colors) and Purple Petunia (one flower’s color). The input data were obtained from samples corresponding to image areas of flowers, leaves and background. Each pixel of the image samples were transformed to color spaces RGB, CIE Lab and LCH and; three classes for the purple variety (color of flower, leaf and background ) and seven classes for variety multiflora (5 colors flower associated leaf and background). Different modeling scenarios were evaluated to select the transfer functions, training algorithms, number of hidden layers and neurons in the MLP model and the smoothing parameter of the PNN model. The overall percentage of classification (mean of 25 random partitions of the data set) and the confusion matrix were used as a performance criterion. In general the two classifiers had good classification accuracy, in average the MLP model gave 98.4 % correct classification against PNN network with 97.1 % of correct classification; however, the PNN network was faster than the MLP model; for example in some cases, PNN had an average of 75 seconds versus 54,589 of the MLP.