Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/39572| Título: | Um sistema para classificação de grãos de milho com visão computacional |
| Título(s) alternativo(s): | A system for classifying corn grains using computer vision |
| Autor(es): | Almeida, André Lucas Ruiz |
| Orientador(es): | Ortoncelli, André Roberto |
| Palavras-chave: | Visão por computador Milho Detectores Computer vision Corn Detectors |
| Data do documento: | 9-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Dois Vizinhos |
| Citação: | ALMEIDA, André Lucas Ruiz. Um sistema para classificação de grãos de milho com visão computacional. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Software) - Universidade Tecnológica Federal do Paraná, Dois Vizinhos, 2025. |
| Resumo: | A qualidade dos grãos de milho é fundamental para a segurança alimentar global e a determinação do valor comercial. Atualmente, a identificação das características que predizem a qualidade do grão, como cor, forma e textura, é realizada por análise visual manual, sendo um trabalho custoso, especializado, lento e suscetível a erros. Neste contexto, este trabalho aplicou técnicas de visão computacional para a classificação de grãos de milho sadios, ardidos e impurezas. Foram utilizadas imagens sintéticas geradas em Python e imagens reais coletadas na fazenda experimental da UTFPR. O modelo YOLO11 foi treinado sobre a base sintética e apresentou desempenho elevado nesse domínio, mas mostrou queda significativa quando avaliado em imagens reais, evidenciando o impacto do domain gap entre os conjuntos. Os resultados ressaltam tanto o potencial da abordagem quanto os desafios causados por variações de iluminação, textura e morfologia presentes no ambiente real. Por fim, para trabalhos futuros foram sugeridas técnicas, com base no estado da arte, para aprimoramento do processo de geração sintética, a ampliação da base real anotada, o uso de data augmentation, e a aplicação de técnicas de finetuning, visando reduzir essas lacunas e fortalecer a capacidade de generalização do modelo. |
| Abstract: | The quality of corn grains is essential for global food security and for determining their commercial value. Currently, the identification of characteristics that predict grain quality, such as color, shape, and texture, is performed through manual visual inspection, which is costly, specialized, slow, and prone to errors. In this context, this study applied computer vision techniques for the classification of healthy, damaged corn grains, and impurities. Synthetic images generated in Python and real images collected at the UTFPR experimental farm were used. The YOLO11 model was trained on the synthetic dataset and achieved high performance in this domain, but showed a significant decrease when evaluated on real images, demonstrating the impact of the domain gap between the sets. The results highlight both the potential of the approach and the challenges caused by variations in lighting, texture, and morphology present in real environments. Finally, future work suggestions include techniques from the state of the art for improving the synthetic generation process, expanding the annotated real dataset, applying data augmentation, and performing fine-tuning, with the goal of reducing these gaps and strengthening the model’s generalization capability. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/39572 |
| Aparece nas coleções: | DV - Engenharia de Software |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| sistemamilhovisaocomputacional_resumo.pdf | 72,19 kB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.