Abstract:
Actualmente, el uso de técnicas de aprendizaje profundo en la clasificación de especies se ha convertido en un área atractivo de investigación. Asimismo, la clasificación de especies forestales maderables en el Perú fue determinada como un problema crítico-prioritario por las autoridades forestales, debido al impacto negativo que lleva una incorrecta clasificación sobre los intereses nacionales. La presente investigación se centró en la comparación de los modelos de aprendizaje por transferencia: AlexNet, VGG-19, Inception V3 y ResNet-101, redes neuronales convolucionales pre-entrenadas para la clasificación de especies. Para ello, se presentó el conjunto de datos denominado Peruvian Amazon Forestry Dataset, conformado por 59,441 imágenes pertenecientes a 10 especies forestales maderables de la Amazonia peruana en peligro de extinción y con importancia económica. Para los experimentos se usaron dos tipos de datos de entrada (imágenes segmentadas e imágenes no segmentadas). Los modelos fueron evaluados cuantitativa (exactitud, precisión, exhaustividad y valor-F1) y cualitativamente (interpretabilidad visual). Los resultados presentan valores significativos para la red VGG-19 al utilizar entradas no segmentadas, alcanzando un 97.61% de exactitud en el entrenamiento, 98.87% en la validación, y una exactitud del 97.02% en el test. Además, gracias a la interpretabilidad, se observó que VGG-19 clasifica a partir de la forma y la vena de la hoja. Por último, es posible concluir que el modelo VGG-19 es una herramienta útil para que especialistas y materos para clasificar especies forestales maderables en tiempo real.