Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://bibliotecatede.uninove.br/handle/tede/3240
Tipo do documento: | Dissertação |
Título: | Método baseado em análise de imagens speckle e aprendizagem profunda para identificação do defeito germinado na inspeção visual da qualidade de grãos de feijão |
Título(s) alternativo(s): | Method based on speckle image analysis and deep learning to identify germination defect in the visual inspection of bean quality |
Autor: | Veiga Junior, Eli |
Primeiro orientador: | Araújo, Sidnei Alves de |
Primeiro coorientador: | Deana, Alessandro Melo |
Primeiro membro da banca: | Araújo, Sidnei Alves de |
Segundo membro da banca: | Deana, Alessandro Melo |
Terceiro membro da banca: | Prates, Renato Araujo |
Quarto membro da banca: | Belan, Peterson Adriano |
Resumo: | A inspeção visual automática de grãos agrícolas pode trazer um diferencial competitivo para as empresas, pois possibilita maior padronização dos resultados levando à obtenção de produtos com maior qualidade e, portanto, com maior valor agregado. Atualmente a inspeção visual de grãos de feijão é conduzida de forma manual visando a determinação do Grupo, Classe e Tipo do produto. O termo "Grupo" é utilizado para se referir à espécie botânica, enquanto a "Classe" é uma classificação do feijão com base na coloração da película e o "Tipo" está relacionado às características qualitativas do produto, sendo determinado de acordo com os defeitos encontrados na amostra, entre os quais estão: partidos, carunchados, ardidos, mofados e germinados, que na sua fase avançada o grão apresenta radícula (broto) visível. O defeito germinado em sua fase inicial é detectado somente por métodos invasivos, partindo o grão para conseguir visualizar. Como alternativa, existem métodos não invasivos na literatura baseados em análise speckle que já são usados em muitas áreas, inclusive na área agrícola para análise de viabilidade de sementes para o plantio. Neste trabalho é apresentado um método que combina análise de imagens speckle e redes neurais de aprendizagem profunda para identificar o defeito germinado em sua fase inicial nos grãos de feijão, que geralmente passariam despercebidos pela visão humana. Primeiro, foram comparados os mapas gerados pela Análise de Contraste Espacial do Laser Speckle (LASCA) e pela, Análise de Contraste Temporal do Laser Speckle (LASTCA). Posteriormente, janelas de 50×50 pixels foram extraídas dos mapas LASTCA, que apresentaram os melhores resultados, e submetidas a uma Rede Neural Convolucional (RNC) que as classificou para indicar a existência do defeito germinado nos grãos analisados. O método proposto foi capaz de identificar o defeito com acurácia de 92,33% e com alta sensibilidade (98,21%), demonstrando a sua aplicabilidade no processo de inspeção visual da qualidade do feijão na agroindústria. |
Abstract: | The automatic visual inspection of agricultural grains can bring a competitive differential for companies, because it allows a higher standardization of the results leading to the obtainment of products with higher quality and, therefore, with higher added value. Currently the visual inspection of bean grains is conducted manually in order to determine the Group, Class and Type of the product. The term "Group" is used to refer to the botanical species, while the "Class" is a classification of beans based on the color of the skin and the "Type" is related to the qualitative characteristics of the product, being determined according to the defects found in the sample, among which are: broken, careworn, burnt, moldy and sprouted, which in its advanced stage the grain presents visible radicle (sprout). The germinated defect in its initial phase is only detected by invasive methods, breaking the grain to get visualization. As an alternative, there are non-invasive methods in the literature based on speckle analysis that are already used in many areas, including agriculture, to analyze seed viability for planting. In this paper a method is presented that combines speckle image analysis and deep learning neural networks to identify the germinated defect in its early stage in bean grains, which would usually go unnoticed by human vision. First, the maps generated by Laser Spatial Speckle Contrast Analysis (LASCA) and by, Laser Temporal Speckle Contrast Analysis (LASTCA) were compared. Subsequently, 50×50 pixel windows were extracted from the LASTCA maps, which showed the best results, and submitted to a Convolutional Neural Network (CNN) that classified them to indicate the existence of the germinated defect in the analyzed grains. The proposed method was able to identify the defect with an accuracy of 92.33% and with high sensitivity (98.21%), demonstrating its applicability in the process of visual inspection of bean quality in agribusiness. |
Palavras-chave: | grão feijão germinado visão computacional speckle inteligência artificial grain bean germinated computer vision speckle artificial intelligence |
Área(s) do CNPq: | CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade Nove de Julho |
Sigla da instituição: | UNINOVE |
Departamento: | Informática |
Programa: | Programa de Pós-Graduação em Informática e Gestão do Conhecimento |
Citação: | Veiga Junior, Eli. Método baseado em análise de imagens speckle e aprendizagem profunda para identificação do defeito germinado na inspeção visual da qualidade de grãos de feijão. 2023. 74 f. Dissertação( Programa de Pós-Graduação em Informática e Gestão do Conhecimento) - Universidade Nove de Julho, São Paulo. |
Tipo de acesso: | Acesso Aberto |
URI: | http://bibliotecatede.uninove.br/handle/tede/3240 |
Data de defesa: | 28-Jun-2023 |
Aparece nas coleções: | Programa de Pós-Graduação em Informática e Gestão do Conhecimento |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Eli Veiga Junior.pdf | Eli Veiga Junior | 2,41 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.