OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS

Detalhes bibliográficos
Autor(a) principal: Santos, Fernando Ferreira Lima dos
Data de Publicação: 2020
Outros Autores: Telles, Lucas Arthur de Almeida, Rosas, Jorge Tadeu Fim, Gomes, Amanda Pereira Assis, Martins, Rodrigo Nogueira, Nascimento, Amélia Laísy do, Sousa, Emanoel Di Tarso dos Santos
Tipo de documento: Artigo
Idioma: eng
Título da fonte: Nativa (Sinop)
Texto Completo: https://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074
Resumo: ALGORITMO CLASSIFICADOR BAYESIANO ITERATIVO DE CÓDIGO ABERTO PARA AVALIAÇÃO DA QUALIDADE DE GRÃOS DE CAFÉ BENEFICIADOS A seleção de grãos de café desempenha um papel fundamental na qualidade final do produto. Após o processamento, os grãos de café são classificados de acordo com a quantidade de defeitos. Tradicionalmente, essa classificação é executada manualmente, o que torna o processo trabalhoso e demorado. Este problema pode ser resolvido com técnicas de processamento digital de imagens, uma vez que os grãos defeituosos possuem características visuais únicas. Considerando a dificuldade de classificação manual dos defeitos, este trabalho teve como objetivo elaborar um algoritmo classificador bayesiano para identificar esses defeitos em grãos de café beneficiados, com base em sua forma e cor. Para tal, foram utilizados 630 grãos de café arábica, somando oito imagens ao todo. O algoritmo objetivou classificar quatro classes, que foram: grãos normais, grãos normais quebrados, grãos pretos e grãos pretos quebrados. Para avaliar a precisão do algoritmo classificador, calculou-se a exatidão global e o coeficiente Kappa, o que permite inferir se o classificador é melhor que uma classificação aleatória. Concluiu-se que o algoritmo desenvolvido apresentou uma precisão global de 76% e kappa igual a 0,6. Além disso, a metodologia proposta mostrou grande potencial para aplicação na avaliação da qualidade de outros produtos, cujos parâmetros de forma e espectrais são relevantes na avaliação de sua qualidade.Palavras-chave: qualidade de grãos de café; processamento digital de imagens; Jupyter Notebook; classificação supervisionada. ABSTRACT: The selection of coffee beans plays a key role in the product's final quality. After processing, coffee beans are classified according to their quantity of defects. Traditionally this classification is performed manually, which makes the process laborious and time-consuming. This problem can be solved with digital image processing techniques since defective grains have unique visual characteristics. Considering the difficulty of manual classification of the defects, this study aimed to elaborate a Bayesian classifier algorithm to identify these defects in benefited coffee beans, based on its shape and color. To do so, 630 grains of arabica coffee were used, composing eight images in total. The algorithm aimed to classify four classes, which were: regular beans, normal broken beans, black beans, and black broken beans. In order to evaluate the accuracy of the classifier algorithm, it was calculated the global accuracy and the Kappa coefficient, which allows inferring if the classifier is better than a random classification. It was concluded that the developed algorithm presented a global accuracy of 76% and kappa equals to 0.6. Also, the proposed methodology showed great potential for application in the quality evaluation of other products, whose shape and spectral parameters are relevant in evaluating its quality.Keywords: coffee beans quality; digital image processing; Jupyter Notebook; supervised classification.
id UFMT-2_bb92f5da3d6886741dd2e1603666a677
oai_identifier_str oai:periodicoscientificos.ufmt.br:article/8074
network_acronym_str UFMT-2
network_name_str Nativa (Sinop)
repository_id_str
spelling OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANSALGORITMO CLASSIFICADOR BAYESIANO ITERATIVO DE CÓDIGO ABERTO PARA AVALIAÇÃO DA QUALIDADE DE GRÃOS DE CAFÉ BENEFICIADOS A seleção de grãos de café desempenha um papel fundamental na qualidade final do produto. Após o processamento, os grãos de café são classificados de acordo com a quantidade de defeitos. Tradicionalmente, essa classificação é executada manualmente, o que torna o processo trabalhoso e demorado. Este problema pode ser resolvido com técnicas de processamento digital de imagens, uma vez que os grãos defeituosos possuem características visuais únicas. Considerando a dificuldade de classificação manual dos defeitos, este trabalho teve como objetivo elaborar um algoritmo classificador bayesiano para identificar esses defeitos em grãos de café beneficiados, com base em sua forma e cor. Para tal, foram utilizados 630 grãos de café arábica, somando oito imagens ao todo. O algoritmo objetivou classificar quatro classes, que foram: grãos normais, grãos normais quebrados, grãos pretos e grãos pretos quebrados. Para avaliar a precisão do algoritmo classificador, calculou-se a exatidão global e o coeficiente Kappa, o que permite inferir se o classificador é melhor que uma classificação aleatória. Concluiu-se que o algoritmo desenvolvido apresentou uma precisão global de 76% e kappa igual a 0,6. Além disso, a metodologia proposta mostrou grande potencial para aplicação na avaliação da qualidade de outros produtos, cujos parâmetros de forma e espectrais são relevantes na avaliação de sua qualidade.Palavras-chave: qualidade de grãos de café; processamento digital de imagens; Jupyter Notebook; classificação supervisionada. ABSTRACT: The selection of coffee beans plays a key role in the product's final quality. After processing, coffee beans are classified according to their quantity of defects. Traditionally this classification is performed manually, which makes the process laborious and time-consuming. This problem can be solved with digital image processing techniques since defective grains have unique visual characteristics. Considering the difficulty of manual classification of the defects, this study aimed to elaborate a Bayesian classifier algorithm to identify these defects in benefited coffee beans, based on its shape and color. To do so, 630 grains of arabica coffee were used, composing eight images in total. The algorithm aimed to classify four classes, which were: regular beans, normal broken beans, black beans, and black broken beans. In order to evaluate the accuracy of the classifier algorithm, it was calculated the global accuracy and the Kappa coefficient, which allows inferring if the classifier is better than a random classification. It was concluded that the developed algorithm presented a global accuracy of 76% and kappa equals to 0.6. Also, the proposed methodology showed great potential for application in the quality evaluation of other products, whose shape and spectral parameters are relevant in evaluating its quality.Keywords: coffee beans quality; digital image processing; Jupyter Notebook; supervised classification.Universidade Federal de Mato Grosso2020-02-05info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/807410.31413/nativa.v8i1.8074Nativa; v. 8 n. 1 (2020); 118-123Nativa; Vol. 8 Núm. 1 (2020); 118-123Nativa; Vol. 8 No. 1 (2020); 118-1232318-7670reponame:Nativa (Sinop)instname:Universidade Federal de Mato Grosso (UFMT)instacron:UFMTenghttps://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074/6675Copyright (c) 2020 Nativainfo:eu-repo/semantics/openAccessSantos, Fernando Ferreira Lima dosTelles, Lucas Arthur de AlmeidaRosas, Jorge Tadeu FimGomes, Amanda Pereira AssisMartins, Rodrigo NogueiraNascimento, Amélia Laísy doSousa, Emanoel Di Tarso dos Santos2020-04-10T17:49:50Zoai:periodicoscientificos.ufmt.br:article/8074Revistahttps://periodicoscientificos.ufmt.br/ojs/index.php/nativaPUBhttps://periodicoscientificos.ufmt.br/ojs/index.php/nativa/oai||rrmelo2@yahoo.com.br2318-76702318-7670opendoar:2020-04-10T17:49:50Nativa (Sinop) - Universidade Federal de Mato Grosso (UFMT)false
dc.title.none.fl_str_mv OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
title OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
spellingShingle OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
Santos, Fernando Ferreira Lima dos
title_short OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
title_full OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
title_fullStr OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
title_full_unstemmed OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
title_sort OPEN SOURCE ITERATIVE BAYESIAN CLASSIFIER ALGORITHM FOR QUALITY ASSESSMENT OF PROCESSED COFFEE BEANS
author Santos, Fernando Ferreira Lima dos
author_facet Santos, Fernando Ferreira Lima dos
Telles, Lucas Arthur de Almeida
Rosas, Jorge Tadeu Fim
Gomes, Amanda Pereira Assis
Martins, Rodrigo Nogueira
Nascimento, Amélia Laísy do
Sousa, Emanoel Di Tarso dos Santos
author_role author
author2 Telles, Lucas Arthur de Almeida
Rosas, Jorge Tadeu Fim
Gomes, Amanda Pereira Assis
Martins, Rodrigo Nogueira
Nascimento, Amélia Laísy do
Sousa, Emanoel Di Tarso dos Santos
author2_role author
author
author
author
author
author
dc.contributor.author.fl_str_mv Santos, Fernando Ferreira Lima dos
Telles, Lucas Arthur de Almeida
Rosas, Jorge Tadeu Fim
Gomes, Amanda Pereira Assis
Martins, Rodrigo Nogueira
Nascimento, Amélia Laísy do
Sousa, Emanoel Di Tarso dos Santos
description ALGORITMO CLASSIFICADOR BAYESIANO ITERATIVO DE CÓDIGO ABERTO PARA AVALIAÇÃO DA QUALIDADE DE GRÃOS DE CAFÉ BENEFICIADOS A seleção de grãos de café desempenha um papel fundamental na qualidade final do produto. Após o processamento, os grãos de café são classificados de acordo com a quantidade de defeitos. Tradicionalmente, essa classificação é executada manualmente, o que torna o processo trabalhoso e demorado. Este problema pode ser resolvido com técnicas de processamento digital de imagens, uma vez que os grãos defeituosos possuem características visuais únicas. Considerando a dificuldade de classificação manual dos defeitos, este trabalho teve como objetivo elaborar um algoritmo classificador bayesiano para identificar esses defeitos em grãos de café beneficiados, com base em sua forma e cor. Para tal, foram utilizados 630 grãos de café arábica, somando oito imagens ao todo. O algoritmo objetivou classificar quatro classes, que foram: grãos normais, grãos normais quebrados, grãos pretos e grãos pretos quebrados. Para avaliar a precisão do algoritmo classificador, calculou-se a exatidão global e o coeficiente Kappa, o que permite inferir se o classificador é melhor que uma classificação aleatória. Concluiu-se que o algoritmo desenvolvido apresentou uma precisão global de 76% e kappa igual a 0,6. Além disso, a metodologia proposta mostrou grande potencial para aplicação na avaliação da qualidade de outros produtos, cujos parâmetros de forma e espectrais são relevantes na avaliação de sua qualidade.Palavras-chave: qualidade de grãos de café; processamento digital de imagens; Jupyter Notebook; classificação supervisionada. ABSTRACT: The selection of coffee beans plays a key role in the product's final quality. After processing, coffee beans are classified according to their quantity of defects. Traditionally this classification is performed manually, which makes the process laborious and time-consuming. This problem can be solved with digital image processing techniques since defective grains have unique visual characteristics. Considering the difficulty of manual classification of the defects, this study aimed to elaborate a Bayesian classifier algorithm to identify these defects in benefited coffee beans, based on its shape and color. To do so, 630 grains of arabica coffee were used, composing eight images in total. The algorithm aimed to classify four classes, which were: regular beans, normal broken beans, black beans, and black broken beans. In order to evaluate the accuracy of the classifier algorithm, it was calculated the global accuracy and the Kappa coefficient, which allows inferring if the classifier is better than a random classification. It was concluded that the developed algorithm presented a global accuracy of 76% and kappa equals to 0.6. Also, the proposed methodology showed great potential for application in the quality evaluation of other products, whose shape and spectral parameters are relevant in evaluating its quality.Keywords: coffee beans quality; digital image processing; Jupyter Notebook; supervised classification.
publishDate 2020
dc.date.none.fl_str_mv 2020-02-05
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074
10.31413/nativa.v8i1.8074
url https://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074
identifier_str_mv 10.31413/nativa.v8i1.8074
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv https://periodicoscientificos.ufmt.br/ojs/index.php/nativa/article/view/8074/6675
dc.rights.driver.fl_str_mv Copyright (c) 2020 Nativa
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Copyright (c) 2020 Nativa
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Federal de Mato Grosso
publisher.none.fl_str_mv Universidade Federal de Mato Grosso
dc.source.none.fl_str_mv Nativa; v. 8 n. 1 (2020); 118-123
Nativa; Vol. 8 Núm. 1 (2020); 118-123
Nativa; Vol. 8 No. 1 (2020); 118-123
2318-7670
reponame:Nativa (Sinop)
instname:Universidade Federal de Mato Grosso (UFMT)
instacron:UFMT
instname_str Universidade Federal de Mato Grosso (UFMT)
instacron_str UFMT
institution UFMT
reponame_str Nativa (Sinop)
collection Nativa (Sinop)
repository.name.fl_str_mv Nativa (Sinop) - Universidade Federal de Mato Grosso (UFMT)
repository.mail.fl_str_mv ||rrmelo2@yahoo.com.br
_version_ 1799711196678455296