Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/34166
Título: Sistema para classificação automática de grãos de soja baseado em visão computacional
Título(s) alternativo(s): Computer vision-based system for automatic soy bean classification
Autor(es): Almeida, Jacqueline Marques Lara de
Orientador(es): Nassu, Bogdan Tomoyuki
Palavras-chave: Soja - Controle de qualidade
Visão por computador
Processamento de imagens - Técnicas digitais
Classificação - Fotografias
Aprendizado profundo (aprendizado do computador)
Computação semântica
Redes neurais (Computação)
Soybean - Quality control
Computer vision
Image processing - Digital techniques
Classification - Photographs
Deep learning (Machine learning)
Semantic computing
Neural networks (Computer science)
Data do documento: 27-Mar-2024
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Curitiba
Citação: ALMEIDA, Jacqueline Marques Lara de. Sistema para classificação automática de grãos de soja baseado em visão computacional. 2024. Dissertação (Mestrado em Computação Aplicada) - Universidade Tecnológica Federal do Paraná, Curitiba, 2024.
Resumo: A classificação de grãos de soja para controle de qualidade no agronegócio é uma tarefa essencial, tradicionalmente realizada por classificadores humanos, envolvendo a separação e análise visual dos grãos. No entanto, este processo é demorado e suscetível a erros humanos. Neste trabalho, abordamos a automatização desse procedimento por meio da análise de imagens de grãos, utilizando técnicas de visão computacional. Para construir um sistema de classificação automatizado, testamos várias abordagens e arquiteturas de redes neurais. Primeiramente, criamos um conjunto de dados contendo imagens de grãos de soja de classes variadas, em particular as classes de avaria consideradas graves: grãos ardidos, mofados e queimados. Utilizamos a arquitetura U-Net para segmentação semântica, seguida de técnicas de processamento digital de imagens para isolamento dos grãos avariados. Também foi testada uma alternativa baseada na detecção de grãos por uma rede YOLO V4. Além disso, avaliamos redes convolucionais como a EfficientNet B1 e MobileNet V1 para classificação das avarias. Nossos experimentos indicam que uma abordagem em cascata, com a detecção/segmentação dos grãos seguida de um passo de classificação, produziu resultados superiores a uma abordagem com um único estágio de detecção dos grãos já com suas classes. A abordagem baseada na rede YOLO V4 para detecção, seguida da MobileNet V1 para classificação apresentou um valor de IoU superior a 0.77 para a separação entre grãos sadios e avariados, e uma acurácia de 0.8926 na classificação das avarias, com uma sensibilidade de 0.8913 na identificação de grãos queimados — métrica que deve ser observada, pois estes grãos podem entrar em combustão espontânea, causando acidentes e a perda de silos. Com um equilíbrio entre qualidade dos resultados e velocidade no processamento, esta abordagem foi escolhida para ser incorporada a um sistema para classificação de grãos de soja, produzido pela empresa Neosilos, e que tem sido comercializado para cooperativas do setor.
Abstract: The classification of soybean grains for quality control in agribusiness is an essential task, traditionally performed by human classifiers, involving the separation and visual analysis of the grains. However, this process is time-consuming and prone to human errors. In this work, we address the automation of this procedure through the analysis of grain images using computer vision techniques. To build an automated classification system, we tested various approaches and neural network architectures. Firstly, we created a dataset containing images of soybean grains of various classes, particularly focusing on severe damage classes: scorched, moldy, and burnt grains. We used the U-Net architecture for semantic segmentation, followed by digital image processing techniques to isolate the damaged grains. An alternative based on grain detection by a YOLO V4 network was also tested. Additionally, we evaluated convolutional networks such as EfficientNet B1 and MobileNet V1 for damage classification. Our experiments indicate that a cascade approach, with grain detection/segmentation followed by a classification step, yielded superior results to an approach with a single stage of grain detection already with their classes. The approach based on the YOLO V4 network for detection, followed by MobileNet V1 for classification, achieved an IoU value above 0.77 for the separation between healthy and damaged grains, and an accuracy of 0.8926 in damage classification, with a sensitivity of 0.8913 in identifying burnt grains — a metric that should be noted, as these grains can spontaneously combust, causing accidents and silo loss. Balancing between result quality and processing speed, this approach was chosen to be incorporated into a system for soybean grain classification produced by the company Neosilos, which has been marketed to sector cooperatives.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/34166
Aparece nas coleções:CT - Programa de Pós-Graduação em Computação Aplicada

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
sistemaclassificacaoautomaticasoja.pdf24,96 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons