Desenvolvimento e avaliação de um sistema automatizado para classificação de grãos de soja a partir de imagens digitais

• Autor(a) principal: Magalhães, Diana Soares
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: LOCUS Repositório Institucional da UFV
• Texto Completo: https://locus.ufv.br//handle/123456789/29935; https://doi.org/10.47328/ufvbbt.2022.180
• topic: Soja - Grãos; Raspberry Pi (Computador); Automação; Python (Linguagem de programação de computador); Soja - Fisiologia pós-colheita; Propriedades físicas; Engenharia de Processamento de Produtos Agrícolas

A soja (Glycine max) é uma das culturas mais difundidas pelo mundo e de grande importância econômica. Os procedimentos de classificação e determinação das propriedades físicas de grãos e sementes normalmente são realizados de forma manual e empregam diversos equipamentos, tornando-se assim um trabalho laborioso e sujeito a subjetividades. Sendo assim, o presente trabalho foi realizado com o objetivo de desenvolver um sistema automatizado para classificação de amostras de grãos de soja por meio de imagens digitais. O protótipo para obtenção das imagens digitais foi confeccionado em MDF preto e possuía embarcado o microprocessador Raspberry Pi integrada a uma Pi Camera para captura das imagens. A câmera era acionada por meio de um código em Python, em que foram padronizadas configurações como resolução, frame rate, brilho, contraste e saturação a fim de obter imagens uniformes. Para determinação das propriedades físicas foram capturadas imagens de grãos inteiros e através desses foram determinados largura, comprimento, área projetada e perímetro de 50 grãos analisados por meio de um aplicativo computacional utilizando linguagem de programação em Python. As medidas para os grãos obtidas pelo aplicativo foram comparadas com as determinadas por meio de um paquímetro. Aplicou-se teste de Bland-Altman para as variáveis de largura, comprimento e circularidade. Obteve-se resultados satisfatórios para a variável comprimento, em que o método de obtenção das medidas por imagens digitais não se diferiu estatisticamente do método do paquímetro, tornando-os equivalentes. Para as variáveis de largura e circularidade o método digital não se demonstrou equivalente, entretanto grande parte dos dados se encontram dentro do intervalo de confiança de 95%. Para as variáveis de área projetada e perímetro, a concordância entre os dados foi analisada por meio de uma ANOVA seguido do teste Tukey a 5% de probabilidade. A variável área projetada não diferiu significativamente segundo os métodos utilizados, enquanto o perímetro se diferiu apenas para o método em que se utilizou funções da biblioteca OpenCV. Para a classificação de grãos de soja, foram adquiridas 750 imagens digitais de amostras contendo combinações aleatórios dos atributos dos grãos sadios (A1), ardidos (A2), mofados (A3), queimados (A4), imaturos (A5), danificados (A6), fermentados (A7), partidos e quebrados (A8), amassados (A9), chochos (A10), esverdeados (A11) e germinados (A12). Desenvolveu-se um aplicativo computacional para processamento de imagens e extração de características por meio das bibliotecas OpenCV e NumPy. Os dados obtidos foram utilizados para simulação de Redes Neurais Artificiais (RNA) em sete simulações de desempenho com o intuito de selecionar uma rede neural eficiente e capaz de classificar os grãos de soja. Os testes foram realizados com diferentes configurações de rede por meio do programa Matlab e as validações cruzadas foram obtidas pelo Orange Canvas. A maior acurácia foi de 80,01% encontrada para o segundo caso de simulação, utilizando 60% dos dados para treinamento em uma RNA com 30 neurônios. Para a validação da RNA foram utilizadas imagens de 10 amostras contendo os atributos e quantidade conhecidos de grãos de soja, as imagens foram submetidas ao melhor treinamento de rede encontrado e obteve taxa média de acerto de 80,8%. Dentre os 12 atributos empregados na classificação de grãos no modelo desenvolvido, esses apresentaram uma taxa de acerto de: A1 – 71,2%; A2 – 87,6%; A3 – 62,1%; A4 – 99,3%; A5 – 75,8%; A6 – 67,0%; A7 – 73,5%; A8 – 76,4%; A9 – 95,3%; A10 – 96,1%; A11 – 92,4% e A12 – 54,3. Palavras-chave: Raspberry Pi. Automação. Python. Pós-colheita. Propriedades físicas.