Classificação de batatas-doces através de técnicas de inteligência artificial

• Autor(a) principal: Pinto, Bruna
• Data de Publicação: 2021
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFRGS
• Texto Completo: http://hdl.handle.net/10183/235793
• topic: Batata doce; Processamento de imagens; Purple sweet potato; Neural networks; Artificial intelligence; Image classification

Aplicações modernas que utilizam de métodos de Inteligência Artificial (IA) para resolver problemas em diferentes áreas de atuação tem se tornando cada vez mais comuns. Um uso muito popular desta tecnologia é no reconhecimento e classificação de imagens, onde técnicas de IA baseadas em Redes Neurais Convolucionais (CNN) podem apresentar ótimos resultados. Essas redes se baseiam na operação de convolução, sendo compostas por uma camada de entrada, uma camada de saída e diversas camadas ocultas, algumas das quais são convolucionais. Essa técnica tangibiliza o conceito de classificação de imagens que será utilizada neste trabalho com batata-doce brazilândia roxa. A batata-doce é uma cultura extremamente popular e cultivada no mundo todo. No entanto, sua comercialização é diretamente afetada pela sua aparência ao consumidor final, muitas vezes gerando desperdício pela falta de classificação qualitativa desses produtos pelos produtores. Estudos realizados pela Organização das Nações Unidas para a Alimentação e a Agricultura (FAO), estimam que 1,3 bilhões de toneladas de comida são desperdiçadas por ano, representando aproximadamente 30% de toda a comida produzida no planeta. Além disso, a crescente busca por uma economia circular e desenvolvimento sustentável vem sendo cada mais procurada, onde o que não é consumido como alimento para o ser humano possa servir como matéria-prima para outros fins, mantendo os materiais em ciclo produtivo. O objetivo deste trabalho é classificar imagens de batata-doce brazlândia roxa de forma qualitativa em relação a probabilidade de ser consumida, baseada em técnicas de visão computacional. Além disso, também são abordados os principais pontos e conceitos relacionados à identificação de imagens, etapas do processamento de imagens e rede neural. Para obter uma alta acurácia, avaliamos quatro modelos de redes neurais convolucionais treinadas com diferentes parâmetros de ajuste fino e aprendizagem de transferência. Os resultados experimentais mostram uma eficácia promissora dos modelos pré-treinados, resultando em uma acurácia de 90,14% com o modelo Xception. Logo, a aplicação de rede neural convolucional pode ser uma alternativa interessante para a classificação de imagens, o que permite contribuir para apoiar agricultores e comerciantes a reduzirem o desperdício de batatas-doces. Essa ferramenta integra um projeto maior voltado ao desenvolvimento de “Biorrefinarias Descentralizadas e Autônomas: um Modelo de Economia Circular, Verde e Digital”.