Acceso usuarios
[1]
;
Ramírez Noriega , Alan David
[2]
;
Martínez Ramírez , Yobani
[2]
México
México
Este documento presenta la aplicación de los modelos InceptionV3, VGG16, ResNet50 y una red neuronal convolucional (CNN) simple, para analizar el dataset FBSI (Feed Bunk Score Image) compuesto por 1511 imágenes, agrupadas en seis clases. El objetivo principal es identificar el modelo con el mejor indicador de F1-Score, para la clasificación de imágenes en el contexto de la ganadería de precisión. El estudio se basa en un análisis comparativo de modelos pre-entrenados. Se describen las características del dataset FBSI. La configuración del equipo, el procedimiento metodológico, así como el software y lenguaje de programación necesarios, validando la hipótesis de que el sistema de clasificación de imágenes de lectura de comederos alcanza un rendimiento superior al 85%.
This paper presents the application of the InceptionV3, VGG16, ResNet50 models, and a simple convolutional neural network (CNN) to analyze the FBSI (Feed Bunk Score Image) dataset composed of 1,511 images grouped into six classes. The main objective is to identify the model with the best F1 score for image classification in the context of precision livestock farming. The study is based on a comparative analysis of pre-trained models. The characteristics of the FBSI dataset are described, as well as the equipment configuration, the methodological procedure, as well as the necessary software and programming language, validating the hypothesis that the feed bunk managment image classification system achieves a performance greater than 85%.
