Utilização de Redes Neurais Artificiais na classificação de danos em sementes de girassol

Antonio Mendes Magalhães Junior, Paula Ribeiro Santos, Thelma Sáfadi

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.

Texto completo:

PDF

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.