Identification of vinegrape varieties through convolutional neural networks

• Autor(a) principal: Ferreira, António Sá Marques
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: eng
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10348/11104
• topic: Redes neurais convolucionais; Deep Learning

É uma necessidade legal regular e controlar as castas de videira. Para que o mercado seja suprido com a melhor qualidade de produtos autênticos, é importante certificar o vinho. Este objetivo é alcançado através da identificação de castas por análise observacional in situ, levada tradicionalmente a cabo por especialistas da vinha e ampelógrafos. No entanto, devido a problemas relacionados com a idade - nomeadamente, a reforma -, estes especialistas estão gradualmente a desaparecer, juntamente com o know-how associado à caracterização das espécies de vinha, o que é uma realidade preocupante que afeta grandes áreas de produção em todo o mundo, bem como a região do Douro em particular. As tecnologias associadas à Inteligência Artificial têm evoluiudo com o tempo e demonstrado a sua eficiência e precisão em lidar com problemas de classificação de complexidade considerável, mais concretamente recorrendo a abordagens de Deep Learning (DL), às quais estão associadas as redes neurais convolucionais 2D (RNC) - também conhecidas pelo termo em ingês convolutional neural network (CNN). Devido à constante necessidade de dados para a utilização destas abordagens, têm vindo a ser desenvolvidos esforços para reunir extensos e repesentativos datasets multi-contexto, que podem ser usados para o treino destas abordagens. No entanto, dependendo dos requisitos do problema a ser modelado, pode-se também desenvolver um dataset customizado com vista à caracterização de um problema particular. Reconhecendo o potencial de eficácia, flexibilidade e custo-beneficio das CNNs, bem como a importância da certificação e preservação do conhecimento inerente à identificação de categorias de vinhas com impacto direto na qualidade/credibilidade dos vinhos, neste trabalho é proposta uma abordagem inteligente e automática para reconhecer castas com base em imagens. Esta proposta é suportada por um estudo que avalia a efetividade das RCNs em classificar folhas de espécies heterógeneas, bem como fenótipos visualmente similares, dentro das mesmas espécies, mais especificamente, vitis vinifera L.. Os testes preliminares feitos com datasets compostos por 3156 fotografias digitais de folhas de videira pertencentes a seis variedades distintas, mostraram um índice de precisão de mais de 90 % para uma grande parte das redes avaliadas.