Conjuntos de datos anotados de pilas de racimos de frutas de palma aceitera para la clasificación de la madurez mediante el aprendizaje profundo

Scientific Data volumen 10, Número de artículo: 72 (2023) Citar este artículo

2091 Accesos

4 Altmetric

Detalles de métricas

La calidad del aceite de palma está fuertemente influenciada por el nivel de madurez de la fruta que se procesará en aceite de palma. Se han realizado muchos estudios para detectar y clasificar el nivel de madurez de la fruta de palma aceitera para mejorar la calidad con el uso de la visión artificial. Sin embargo, la mayoría de estos estudios utilizan conjuntos de datos en forma de imágenes de racimos de fruta fresca (FFB) de palma aceitera con una categorización incompleta según las condiciones reales en las plantas extractoras de aceite de palma. Por lo tanto, este estudio presenta un nuevo conjunto completo de datos obtenidos directamente de las almazaras de palma en forma de videos e imágenes con diferentes categorías de acuerdo con las condiciones reales que enfrenta la sección de clasificación de la planta de aceite de palma. El conjunto de datos de video consta de 45 videos con una sola categoría de videos FFB y 56 videos con una colección de FFB con múltiples categorías para cada video. Los videos se recopilan utilizando un teléfono inteligente con un tamaño de 1280 × 720 píxeles con formato .mp4. Además, este conjunto de datos también ha sido anotado y etiquetado en función del nivel de madurez de la fruta de palma aceitera con 6 categorías, que son inmaduras, poco maduras, maduras, demasiado maduras, racimos vacíos y frutos anormales.

Para producir aceite de palma de calidad, se necesita fruta de palma madura. La madurez de los racimos de frutos de palma aceitera (RFF) suele estar determinada por el número de frutos sueltos que caen del racimo1. Además, la madurez también se puede ver en el color de la fruta de negro a naranja. Por lo general, la determinación de la madurez de RFF se realiza mediante inspección visual del color de la fruta. La inspección visual de la madurez del color tiene varias desventajas cuando el RFF está en un árbol alto y depende de la percepción del observador. La detección de la madurez esperando que caiga la fruta puede causar pérdidas de cosecha. La detección de la madurez en árboles altos dificulta que los observadores determinen la fruta madura debido a la distancia y la iluminación. Se han realizado muchos estudios relacionados con la detección de la madurez del fruto de la palma aceitera, ya sea con un enfoque de visión por computadora2,3,4,5,6,7,8,9,10,11,12 o con un enfoque de sensor de luz13,14 ,15,16,17, pero no han obtenido resultados satisfactorios debido a las características complejas de la fruta de la palma aceitera, como el color desigual de la fruta madura, la fruta de la palma aceitera en racimos que se ven pequeños y los diferentes niveles de madurez de la fruta en algunos países. variedades La Tabla 1 muestra los resultados de un estudio para clasificar y detectar el nivel de madurez de RFF de palma de aceite. El conjunto de datos tiene limitaciones, como una categorización incompleta y la falta de variaciones de FBB, lo que lo hace sustancialmente diferente de las condiciones del mundo real.

La investigación con visión por computadora generalmente se realiza en función de la imagen de entrada para detectar el color de la fruta, mientras que la investigación con un sensor de luz se realiza analizando los resultados del espectro de luz emitido a la fruta de palma aceitera. La mayoría de los estudios anteriores utilizaron la entrada de imágenes de la palma aceitera o el espectro de color de la fruta de la palma aceitera porque con esta entrada el proceso de detección es más eficiente. Se han llevado a cabo varios estudios previos que utilizan un enfoque de visión por computadora con una imagen de entrada utilizando el método SVM con 3 clases18, a saber, crudo, poco maduro y maduro. Se han llevado a cabo investigaciones con aprendizaje profundo para la detección de la madurez mediante el uso de EfficientNet3 con conjuntos de datos de una sola imagen. Se ha propuesto19 la detección de la madurez de la palma aceitera en tiempo real usando YOLOv4 con un conjunto de datos de 3 clases para el sistema de cosecha y se ha propuesto otra investigación de detección de madurez en tiempo real en el proceso de cosecha usando YOLOv320. Según los resultados de este estudio de literatura, no hay conjuntos de datos de palma aceitera en forma de imágenes o videos de colecciones o montones de racimos de frutas frescas de palma aceitera con varias categorías o categorías únicas. Este documento proporciona conjuntos de datos de imágenes y videos de colecciones o montones de racimos de fruta fresca de palma aceitera tomados directamente de los molinos de aceite de palma en Kalimantan del Sur. En la sección de clasificación, se utilizaron teléfonos inteligentes con 6 niveles de madurez de la fruta de la palma aceitera, que son inmaduros, inmaduros, maduros, sobremaduros, racimos vacíos y frutos anormales (Fig. 1). Existe una investigación para detectar palma aceitera en tiempo real usando YOLOv4, los datos utilizados son racimos de fruta fresca de palma aceitera que aún están adheridos a árboles con clases maduras e inmaduras11. Sin embargo, esta investigación no es completamente aplicable porque solo puede usarse en plantaciones de palma aceitera, mientras que para realizar una evaluación en un beneficio de palma aceitera se requieren más de 2 clases para evitar niveles de madurez inapropiados.

Imágenes de ejemplo del nivel de madurez de RFF de palma de aceite.

Este conjunto de datos son datos multimodales en forma de videos e imágenes de racimos de fruta fresca de palma aceitera con 6 categorías que han sido determinadas y validadas por expertos en la clasificación del nivel de madurez de la fruta de palma aceitera en las plantas extractoras de aceite de palma. Este conjunto de datos puede ser utilizado por muchas partes interesadas, como estudiantes e investigadores, desarrolladores de aplicaciones, ingenieros de aprendizaje automático y aprendizaje profundo, científicos de datos, agrónomos y calificadores de molinos de aceite de palma y otros investigadores. Los conjuntos de datos son muy útiles para que los desarrolladores de aplicaciones prueben datos y desarrollen modelos de aprendizaje automático que se pueden usar para crear aplicaciones basadas en teléfonos inteligentes o aplicaciones integradas en robots u otros dispositivos. Estos datos también son muy útiles para que los científicos de datos puedan encontrar el método adecuado para clasificar y detectar la madurez de la fruta. Además, estos datos también son muy útiles para desarrollar algoritmos de aprendizaje profundo para clasificar y detectar la madurez, así como el conteo de frutas de manera efectiva y eficiente. En la aplicación del mundo real, se requiere consistencia en la evaluación del nivel de madurez de la palma de aceite para que no haya errores al estimar el nivel de madurez y cause pérdidas a la planta procesadora de aceite de palma. Algunas propiedades de los datos de video, como la luminancia dinámica, los objetos parcialmente oscurecidos por otros objetos y el desenfoque de movimiento al pasar de un cuadro a otro, son idénticos a cómo funciona el ojo humano21, por lo que el video (o la imagen secuencial) será más aplicable en el mundo real. en comparación con piezas de imagen que no tienen conexión entre fotogramas. Este conjunto de datos es una colección de videos sobre el nivel de madurez de la fruta de palma aceitera con una sola categoría para cada video y con múltiples categorías para cada video. En la Fig. 2 se puede ver un ejemplo de un conjunto de datos con una sola categoría para cada video, mientras que en la Fig. 3 se puede ver un ejemplo de datos con múltiples categorías para cada imagen. Al usar una combinación de múltiples categorías, el conjunto de datos puede producir aprendizaje automático que está de acuerdo con las condiciones reales en el campo para que se pueda obtener un mejor rendimiento del modelo en comparación con el uso de conjuntos de datos con una sola categoría.

Ejemplo de pilas de RFF de palma aceitera para una sola categoría por imagen.

Ejemplos de pilas de racimos de frutas frescas de palma aceitera para múltiples categorías por imagen. (A) 1 vacío, 1 maduro y 1 inmaduro; (B) 2 vacíos y 2 inmaduros; (C) 1 vacío, 1 maduro y 1 inmaduro; (D) 2 maduros y 2 demasiado maduros; (E) 1 poco maduro y anormal; (F) 1 fruta madura, 1 vacía y 2 anormales.

El conjunto de datos se recopiló de algunas plantas extractoras de aceite de palma en la sección sobre clasificación del nivel de madurez de la fruta de palma aceitera en Kalimantan del Sur, Indonesia. Se recolectaron y registraron racimos de frutas frescas de palma aceitera con varios niveles de madurez usando un teléfono inteligente en el fondo del piso de cemento en el patio trasero de la fábrica. La estrategia de grabación utiliza la rotación de la cámara 360° alrededor de la pila de RFF de aceite de palma para capturar la mayor parte de las posiciones de RFF. Se puede obtener una variación de la posición del RFF girando 360° y puede representar toda la condición del nivel de madurez de la palma de aceite, un ejemplo de la variación de posición en el RFF se puede ver en la Fig. 4. El video fue capturado a lo largo el día, entre las 12.00 y las 13.00 horas, con tiempo soleado. Debido a problemas climáticos que no siempre son soleados, el tiempo total requerido para recopilar el conjunto de datos se estima en dos meses. Por lo tanto, se obtienen varias variaciones diferentes de RFF de palma aceitera.

Ejemplo de fotograma de grabación de vídeo obtenido mediante el método 360°. Se pueden capturar varias posiciones de RFF para mostrar la condición del nivel de madurez del RFF de la palma de aceite.

La Figura 5 es un flujo de preprocesamiento que se lleva a cabo para procesar datos sin procesar en datos listos para usar. Los datos brutos utilizados están en formato mp4 con una resolución de 1280 × 720 y tomados con un teléfono inteligente. Todos los tipos de clases de objetos han sido determinados y evaluados por expertos en aceite de palma en el sitio de clasificación de aceite de palma. Los datos que se pueden usar para realizar la capacitación en el modelo de aprendizaje profundo están en forma de imágenes. Por lo tanto, extrajimos los fotogramas del video en imágenes secuenciales. La extracción de fotogramas se realizó con la aplicación VLC Media Player22 con una configuración de ratio de grabación de 30. Su objetivo es extraer 1 fotograma cada 1 segundo por lo que la posibilidad de redundancia de imagen es muy pequeña21. La resolución de salida resultante es 416 × 416.

Ilustración de las etapas de preprocesamiento de datos.

Las imágenes secuenciales con una resolución de 416 × 416 extraídas con éxito del video recibieron un cuadro delimitador. El proceso de dar cuadros delimitadores se realizó utilizando DarkLabel23. DarkLabel es una herramienta para anotar la detección de objetos. Los formatos de anotación disponibles en DarkLabel son Pascal VOC, YOLO y Multiple Object Tracking (MOT). En la etapa de preprocesamiento, los cuadros delimitadores se asignaron manualmente a cada imagen para garantizar la densidad entre el cuadro y el objeto. La ilustración del anotador de cuadro delimitador se puede ver en la Fig. 6. El formato de anotación se almacena en forma de YOLO anotación (.txt) que consta de [id de clase, x, y, w, h] donde x e y son las coordenadas del cuadro, w es el ancho y h es la altura. Los resultados de cada clase a la que se le ha asignado un cuadro delimitador se almacenan en un archivo diferente. El cuadro delimitador se obtiene creando una barrera en forma de cuadro. La forma del cuadro se reorganiza para que el límite rodee el objeto que desea detectar. El archivo de anotación tiene el mismo nombre que el nombre de la imagen anotada y se coloca en la misma carpeta.

La ilustración del etiquetado y la anotación de Oil Palm FFB Video.

Según la Fig. 6, los datos se registraron en dos modalidades, a saber, conjunto de datos de videos y conjunto de datos de imagen. Los conjuntos de datos de video contienen 45 archivos de categoría única y 56 archivos de FFB de palma aceitera de múltiples categorías. Los conjuntos de datos de imágenes se han anotado utilizando el software Roboflow24 que se puede utilizar como datos de entrada para la detección y clasificación de la madurez mediante el modelo YOLO. Los conjuntos de datos están disponibles en Science Data Bank25. Los criterios de datos de video utilizados fueron: (1) grabaciones con rotación de 360° de RFF de palma aceitera y (2) duración del video de aproximadamente 10 a 15 segundos. Luego, según los criterios de video utilizados, se extrae 1 cuadro por cada segundo. Según la Tabla 2, el total de imágenes extraídas del video del archivo FFB de palma aceitera son 4160 archivos con 14559 objetos y 7171 imágenes. Los archivos totales de imágenes de cada categoría de madurez de RFF de palma de aceite fueron diferentes a la suma de imágenes, porque cada archivo de imagen tiene más de una clase de objeto en las pilas de RFF de palma de aceite. Los conjuntos de datos se han dividido en entrenamiento, validación y prueba de datos utilizando la composición 70:20:10 con un total de imágenes de 2908 para entrenamiento, 835 para validación y 417 para prueba. El detalle de imagen y objeto para cada categoría se puede ver en la Tabla 2.

Para la validación de datos, se probó usando los modelos YOLOv422 con hiperparámetros como se muestra en la Tabla 3. Para adaptarse al conjunto de datos, se modifican los valores de hiperparámetros como el ancho, la altura, los lotes máximos y los pasos. Este cambio se implementó de acuerdo con las recomendaciones de la investigación inicial de YOLOv426. La figura 7 muestra un gráfico del rendimiento del modelo durante el entrenamiento y la validación. En base a la gráfica indica que el desempeño de pérdida de validación fue convergencia a cero y en base al valor de mAP que cerró a 1 indica que los modelos tienen buen desempeño. La Tabla 4 presenta el resultado de la prueba de cada modelo YOLO utilizado. La Figura 8 muestra el resultado de la prueba del modelo con video de entrada de RFF de aceite de palma con varias categorías de madurez. Los datos utilizados para el entrenamiento, la validación y las pruebas se componen de imágenes consecutivas recuperadas con éxito del video, lo que las hace más aplicables a las aplicaciones del mundo real. La estructura de imagen secuencial también permite que el modelo determine el nivel de desarrollo del FFB desde múltiples perspectivas.

Tabla de mapa de pérdida de entrenamiento y validación de los modelos (a) YOLOv4-320, (b) YOLOv4-416 y (c) YOLOv4-512.

Ejemplo de resultado de prueba de modelos YOLOv4 para la detección y clasificación de la madurez del aceite de palma con entrada de video; (a) RFF anormales e inmaduros; (b) 2 RFF submaduros y 1 RFF maduros; (c) RFF inmaduros, anormales, maduros y sobremaduros; (d) RFF maduros e inmaduros.

Desafortunadamente, los conjuntos de datos abiertos utilizados en el estudio actual sobre la madurez de la palma aceitera no están disponibles. Comparativamente, el conjunto de datos típico de la investigación actual intenta aumentar el grado y la producción de aceite de palma refinado2,3,4,5,6,8,10,11,13,15. Sin embargo, el conjunto de datos de video empleado en este estudio se concentra en ofrecer una evaluación del nivel de madurez de RFF de palma aceitera, especialmente en las instalaciones de procesamiento de palma aceitera. El video se puede usar como un conjunto de datos, ya que refleja fielmente las situaciones en tiempo real, lo que lo hace más apropiado para los procedimientos de calificación en tiempo real. El uso de un conjunto de datos de video y un algoritmo de detección de objetos en tiempo real puede mejorar la velocidad para determinar el nivel de madurez de RFF de palma aceitera. Sin embargo, el uso de conjuntos de datos de video presenta varios desafíos. En comparación con el uso de fotografías no secuenciales, el procesamiento previo será más difícil. Luego, los datos utilizados para llevar a cabo el proceso de entrenamiento serán más numerosos para que pueda hacer que el tiempo de entrenamiento del modelo sea más largo. Además, el fondo contenido en este conjunto de datos es el patio trasero del lugar para clasificar el nivel de madurez de la palma aceitera, por lo que los resultados de la detección directa en las plantaciones de palma aceitera pueden experimentar una disminución en el rendimiento debido a que el fondo en la plantación de palma aceitera es más complejo que el fondo del patio trasero de la fábrica donde se clasifica el RFF de la madurez del aceite de palma.

El conjunto de datos existente tiene algunas limitaciones de la siguiente manera:

El conjunto de datos consta de clases de imágenes que no están equilibradas para cada categoría debido a la disponibilidad de datos en el proceso de clasificación para obtener datos anormales y los racimos vacíos son difíciles de obtener del envío a las plantas extractoras de aceite de palma.

El conjunto de datos no se ha aumentado, por lo que para obtener un mejor rendimiento en el desarrollo del modelo, es necesario aumentar los datos para aumentar el conjunto de datos.

El software utilizado para procesar el conjunto de datos consiste en un software para convertir datos de video en una colección de imágenes usando VLC (https://www.videolan.org/index.id.html).

El software utilizado para etiquetar y crear cuadros delimitadores de imágenes con Darklabel lo proporciona https://github.com/darkpgmr/DarkLabel.

El software utilizado para convertir datos etiquetados en datos que están listos para ingresar en el modelado procesado con aprendizaje profundo es Roboflow (https://roboflow.com/) y el software utilizado para la validación de datos es el programa Python.

Chew, CL et al. La aplicación de etileno exógeno en racimos de frutos de palma aceitera poscosecha mejora la calidad del aceite de palma crudo. ciencia de la comida Nutrición 9 (2021).

Septiarini, A., Hamdani, H., Hatta, HR y Anwar, K. Segmentación automática de imágenes de frutos de palma aceitera mediante la aplicación del enfoque basado en el contorno. ciencia Hortico. (Ámsterdam). 261 (2020).

Suharjito, Elwirehardja, GN & Prayoga, JS Clasificación de madurez de racimos de fruta fresca de palma aceitera en dispositivos móviles utilizando enfoques de aprendizaje profundo. computar Electrón. agricola 188, 106359 (2021).

Artículo Google Académico

Fadilah, N., Mohamad-Saleh, J., Halim, ZA, Ibrahim, H. & Ali, SSS Sistema de visión de color inteligente para la clasificación de madurez de racimos de fruta fresca de palma aceitera. Sensores (Suiza) 12 (2012).

Sabri, N., Ibrahim, Z., Syahlan, S., Jamil, N. & Mangshor, NNA Identificación de clasificación de madurez de racimos de frutas frescas de aceite de palma utilizando características de color. J.Fundam. aplicación ciencia 9 (2018).

Pamornnak, B., Limsirratana, S. y Chongcheawchamnan, M. Esquema de determinación del contenido de aceite de la palma aceitera poscosecha para dispositivos móviles. biosist. Ing. 134 (2015).

Herman, H., Susanto, A., Cenggoro, TW, Suharjito, S. & Pardamean, B. Clasificación de la madurez de la imagen de la fruta de la palma aceitera con visión por computadora usando aprendizaje profundo y atención visual. Revista de Ingeniería de Telecomunicaciones, Electrónica e Informática (JTEC) vol. 12 (2020).

Ibrahim, Z., Sabri, N. & Isa, D. Reconocimiento de clasificación de madurez de racimos de fruta fresca de aceite de palma utilizando una red neuronal convolucional. J. Telecomun. Electrón. computar Ing. 10 (2018).

Ishak, WIW & Hudzari, RM Modelado basado en imágenes para la predicción de la madurez del fruto de la palma aceitera. J. Alimentos, Agricultura. Reinar. 8 (2010).

Zolfagharnassab, S., Shariff, ARBM, Ehsani, R., Jaafar, HZ y Aris, I. Bin. Clasificación de racimos de frutos frescos de palma aceitera en función de su madurez mediante técnicas de imagen térmica. Agricultura 12, 1779 (2022).

Artículo Google Académico

Lai, JW, Ramli, HR, Ismail, LI & Hasan, WZW Detección en tiempo real de racimos de fruta fresca de palma aceitera madura basada en YOLOv4. Acceso IEEE 10, 95763–95770 (2022).

Artículo Google Académico

Ghazali, SA, Selamat, H., Omar, Z. & Yusof, R. Técnicas de análisis de imágenes para la detección de madurez de racimos de frutas frescas de aceite de palma. Electr. J. Electr. Ing. 18 (2019).

Saeed, OMB et al. Clasificación de racimos de frutos frescos de palma aceitera en función de su madurez utilizando un sistema de sensores portátil de cuatro bandas. computar Electrón. agricola 82 (2012).

Huddin, A. Una técnica rápida y no destructiva para determinar la madurez del racimo de fruta fresca de palma aceitera (FFB). J. Kejuruter. 30, 93–101 (2018).

Artículo Google Académico

Makky, M. Una inspección de madurez portátil, no destructiva y de bajo costo para RFF de palma aceitera. agricola agricola ciencia Procedimiento 9 (2016).

Makky, M. & Soni, P. Evaluación de la calidad in situ de racimos de fruta fresca de palma aceitera intactos utilizando un enfoque portátil rápido sin contacto y no destructivo. J. Ing. de Alimentos. 120 (2014).

Makky, M., Soni, P. & Salokhe, VM Sistema automático de inspección de calidad no destructiva para frutos de palma aceitera. En t. Agrofísica 28 (2014).

Septiarini, A., Hamdani, H., Hatta, HR y Kasim, AA Procesamiento basado en imágenes para la clasificación de la madurez de la fruta de palma aceitera. Trámite - 2019 5° Int. Conf. ciencia información Tecnología abrazar Ind. 4.0 Hacia la guerra. innovador Cyber Phys. sist. ICSITech 2019 23–26, https://doi.org/10.1109/ICSITech46713.2019.8987575 (2019).

Junos, MH, Mohd Khairuddin, AS, Thannirmalai, S. & Dahari, M. Un modelo optimizado de detección de objetos basado en YOLO para el sistema de cosecha de cultivos. Proceso de Imagen IET. 15, 2112–2125 (2021).

Artículo Google Académico

Mohd Basir Selvam, NA, Ahmad, Z. & Mohtar, IA Detección de racimos de aceite de palma madura en tiempo real utilizando el algoritmo YOLO V3. En la 19.ª Conferencia de estudiantes del IEEE sobre investigación y desarrollo: ingeniería y tecnología sostenibles hacia la revolución industrial, SCOReD 2021, https://doi.org/10.1109/SCOReD53546.2021.9652752 (2021).

Wang, J., Zhang, T., Cheng, Y. & Al-Nabhan, N. Aprendizaje profundo de nueva generación para la detección de objetos de video: una encuesta. computar sist. ciencia Ing. 38, 165–182 (2021).

Artículo Google Académico

Parico, AIB & Ahamed, T. Detección y conteo de frutos de pera en tiempo real usando modelos YOLOv4 y Deep SORT. Sensores (Suiza) 21, 1–32 (2021).

Artículo Google Académico

Habtemariam, LW, Zewde, ET & Simegn, GL Tipo de cuello uterino y sistema de clasificación del cáncer de cuello uterino mediante técnicas de aprendizaje profundo. Medicina. Dispositivos Evid. Res. 15, 163–176 (2022).

Artículo Google Académico

Syaefudin, A., Setiawan, W., Widiatmoko, F., Sofyan, E. & Restu, RN Visión artificial con enfoque de red neuronal convolucional profunda para la detección de defectos de fundición de flujo en frío. En Conferencia sobre Gestión e Ingeniería en la Industria (CMEI) 31–36, https://doi.org/10.33555/cmei.v3i5.111 (2021).

Suharjito & Junior, FA Conjunto de datos de video anotado de pilas de racimos de fruta de palma aceitera para clasificación de madurez [DS/OL]. Banco de datos científicos https://doi.org/10.57760/sciencedb.j00001.00713 (2022).

Bochkovskiy, A., Wang, C.-Y. & Liao, H.-YM YOLOv4: Velocidad y precisión óptimas de detección de objetos. (2020).

Descargar referencias

Los autores desean expresar su agradecimiento a la Universidad BINUS por el apoyo y al molino de aceite de palma por apoyar la preparación de datos. Esta investigación recibe subvención de la Dirección General de Educación Superior Ministerio de Educación, Cultura, Investigación y Tecnología con número de contrato: 410/LL3/AK.04/2022, 126/VR.RTT/VI/2022.

Departamento de Ingeniería Industrial, Programa de Posgrado BINUS - Maestría en Ingeniería Industrial, Universidad Bina Nusantara, Jakarta, 11480, Indonesia

Suharjito y Muhammad Asrol

Departamento de Ciencias de la Computación, Escuela de Ciencias de la Computación, Universidad Bina Nusantara, Jakarta, 11480, Indonesia

Franz Adeta júnior

Departamento de Ciencias de la Computación, BINUS Online Learning, Bina Nusantara University, Jakarta, 10480, Indonesia

Yosua Putra Koeswandy, Debi y Pratiwi Wahyu Nurhayati

Departamento de Tecnología Agroindustrial, Facultad de Ingeniería y Tecnología Agrícolas, Universidad IPB (Universidad Agrícola de Bogor), Bogor, Java Occidental, Indonesia

María

También puede buscar este autor en PubMed Google Scholar

Suharjito: investigación de diseño, investigación, adquisición de fondos, recopilación de datos, preparación de datos, redacción del borrador del manuscrito; Franz Adeta Junior: Curación de datos, escribió el primer borrador, desarrollo de software y conjunto de datos de validación; Yosua Putra Koeswandy: desarrollo de software, conjunto de datos de etiquetado y validación de datos; Debi: conjunto de datos de etiquetado y validación de datos; Pratiwi Wahyu Nurhayati: conjunto de datos de etiquetado y validación de datos; Muhammad Asrol: redacción, revisión y edición; Marimin: Curación y validación de datos.

Correspondencia a Suharjito.

Los autores declaran que no tienen intereses contrapuestos ni relaciones personales que pudieran haber influido en el trabajo que se presenta en este artículo.

Nota del editor Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Suharjito, Junior, FA, Koeswandy, YP et al. Conjuntos de datos anotados de pilas de racimos de frutas de palma aceitera para la clasificación de la madurez mediante el aprendizaje profundo. Datos científicos 10, 72 (2023). https://doi.org/10.1038/s41597-023-01958-x

Descargar cita

Recibido: 04 Octubre 2022

Aceptado: 11 de enero de 2023

Publicado: 04 febrero 2023

DOI: https://doi.org/10.1038/s41597-023-01958-x

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Noticias