Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/33783
Título: Classificação do tipo de tomate por meio de imagem: um estudo de caso utilizando redes neurais convolucionais
Título(s) alternativo(s): Tomato type classification through images: a case study using convolutional neural networks
Autor(es): Oliveira, Leandro de
Orientador(es): Santos, José Airton Azevedo dos
Palavras-chave: Inteligência artificial
Python (Linguagem de programação de computador)
Redes neurais (Computação)
Artificial intelligence
Python (Computer program language)
Neural networks (Computer science)
Data do documento: 7-Mar-2024
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Medianeira
Citação: OLIVEIRA, Leandro de. Classificação do tipo de tomate por meio de imagem: um estudo de caso utilizando redes neurais convolucionais. 2024. Dissertação (Mestrado em Tecnologias Computacionais para o Agronegócio) - Universidade Tecnológica Federal do Paraná, Medianeira, 2024.
Resumo: Este trabalho tem como objetivo classificar, por meio de rede neural artificial, diferentes tipos de tomates (variedade ou cultivar), dispostos à venda em estabelecimentos da Região Oeste Paranaense. O processo de classificação ocorreu por meio da utilização de modelos baseados em redes neurais convolucionais, e compreendeu a aquisição e processamento de imagens, treinamento, validação e teste dos modelos de classificação. Utilizou-se, para construção da base de dados de imagens de tomates, uma câmera de smartphone. Os modelos escolhidos para classificação foram: ResNet50V2, MobileNet, MobileNetV2, Xception, EfficientNetV2B0, EfficientNetV2B1, EfficientNetV2B2 e EfficientNetV2B3, os quais foram implementados na linguagem Python, utilizando a API Keras do framework TensorFlow. Os resultados obtidos, dos oito modelos, foram comparados por meio da acurácia (accuracy) e do erro (loss). Verificou-se, para um conjunto de teste de 12 imagens, significativamente diferente do conjunto de treinamento, que o modelo MobileNet apresentou o melhor desempenho, com uma acurácia de teste de 83,33% e um erro de 0,622.
Abstract: The aim of this work is to use artificial neural networks to classify different types of tomatoes (variety or cultivar) on sale in establishments in the western region of Paraná. The classification process was carried out using models based on convolutional neural networks, and included image acquisition and processing, training, validation and testing of the classification models. A smartphone camera was used to build the tomato image database. The models chosen for classification were: ResNet50V2, MobileNet, MobileNetV2, Xception, EfficientNetV2B0, EfficientNetV2B1, EfficientNetV2B2 and EfficientNetV2B3, which were implemented in the Python language using the Keras API of the TensorFlow framework. The results obtained from the eight models were compared using accuracy and loss. For a test set of 12 images, significantly different from the training set, the MobileNet model performed best, with a test accuracy of 83.33% and an error of 0.622.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/33783
Aparece nas coleções:MD - Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
classificacaotomateconvolucionais.pdf5,94 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons