Resumo

Redes Neurais Artificiais (RNAs) são reconhecidamente eficazes para a utilização em problemas de reconhecimento de padrões e classificação de dados. Este trabalho teve como objetivo a classificação de imagens radiografadas de sementes de girassol quanto ao seu nível de dano. Dessa maneira, as sementes de girassol foram radiografadas e as imagens geradas foram categorizadas em sementes cheias, com danos leves ou deformadas. Essas imagens foram redimensionadas buscando uniformizar suas dimensões e diminuir a quantidade de entradas para a RNA. Após isso, a equalização das imagens foi realizada, objetivando-se a melhora do contraste e assim acentuar as imperfeições presentes nas sementes. Uma RNA de topologia feed-forward e uma camada escondida foi utilizada e o conjunto de imagens foi dividido de forma aleatória, reservando parte das imagens para validação e teste da RNA treinada. Após mil treinos com cada configuração, o índice médio de acerto da RNA foi de aproximadamente 74,5% utilizando as três classes, de 77,4% para sementes cheias contra sementes com danos leves, 96,0% para sementes cheias contra sementes deformadas e 86,5% para sementes com danos leves contra sementes deformadas. Dessa forma, a abordagem utilizada pode ser aplicada para a classificação de sementes de forma automatizada, uma vez que obteve bons índices de acerto.

Palavras-chave

• Análise de raio-X
• Análise de sementes
• Reconhecimento de padrões.

Referências

• ASSOCIAÇÃO BRASILEIRA DE SEMENTES E MUDAS – ABRASEM. 2015. URL http://www.abrasem.com.br/wp-content/uploads/2013/09/Anuario_ABRASEM_2015.pdf.
• BRASIL. Ministério da Agricultura, Pecuária e Abastecimento. Regras para análise de sementes. Brasília, 2009. 399 p.
• CASSIANO, F. R. Expoente direcional de Hurst na análise de similaridade de imagens de sementes. 2018. 50 p. Tese (Doutorado em Estatística e Experimentação Agropecuária) - Universidade Federal de Lavras, Lavras, 2018.
• COMPANHIA NACIONAL DE ABASTECIMENTO- CONAB. 2019. URL https://www.conab.gov.br/info-agro/safras/graos/boletim-da-safra-de-graos.
• FAUSETT L. Fundamentals of Neural Networks Architectures, Algorithms and Applications. New Jersey: Prentice Hall. 1994. 476p.
• GRUNVALD, A. K.; CARVALHO; C. G. P. DE; OLIVEIRA, A. C. B.; ANDRADE, C. A. B. Adaptabilidade e estabilidade de genótipos de girassol nos estados do Rio Grande do Sul e Paraná. Ciência e Agrotecnologia (online), v. 33, n. 5, p. 1195-1204, 2009. URL http://www.scielo.br/pdf/cagro/v33n5/v33n5a01.pdf.
• LEITE, I.C.C.; SÁFADI, T.; CARVALHO, M.L. M. Evaluation of seed radiographic images by independent component analysis and discriminant analysis, Seed Science and Technology. 41 (2013) 235-244.
• MEHTANI, P. P. Classification using Artificial Neural Networks. Teses B. Tech, apresentado no departamento de ciência da computação e engenharia de Rourkela, Rourkela, 2011. p. 1-40.
• RIPLEY, B. D. Neural Networks and Related Methods for Classification. Journal of the Royal Statistical Society B, v. 56, n. 3, p. 409–456, 1994.
• SÁFADI, T.; VIDAKOVIĆ, B.; KANG, M.; LEITE, I.C.C. Wavelet-based spectral for descriptors of detection of damage in sunflower seeds. International Journal of Wavelets, Multiresolution and Information Processing, London, v. 14, n. 4, p. 235–244, 2016.

Informações do artigo