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

Autores

Palavras-chave:

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

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.

Biografia do Autor

Antonio Mendes Magalhães Junior, Departamento de EstatísticaUniversidade Federal de Lavras

Mestrando em Estatística e Experimentação Agropecuária e Bacharel em Engenharia de Controle e Automação (2018) pela Universidade Federal de Lavras.

Paula Ribeiro Santos, Departamento de EstatísticaUniversidade Federal de Lavras

Mestranda em Estatística e Experimentação Agropecuária e Licenciada em Matemática (2017) pela Universidade Federal de Lavras.

Thelma Sáfadi, Professora titular no Departamento de Estatística daUniversidade Federal de Lavras.

Graduação (Licenciatura e Bacharelado) em Matematica pela Universidade Federal de Minas Gerais (1979), especialização em Matemática pela Universidade Federal de Minas Gerais, mestrado em Matemática pela Universidade Federal de Minas Gerais (1987) e doutorado em Estatística pela Universidade de São Paulo (1997). Possui pós-doutoramentos na Universidad Carlos III de Madrid (2003/2004) , na Universidade de São Paulo (2010) e na Georgia Institute of Technology (2015) .

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.

Downloads

Publicado

29-07-2019

Como Citar

Magalhães Junior, A. M., Santos, P. R., & Sáfadi, T. (2019). Utilização de Redes Neurais Artificiais na classificação de danos em sementes de girassol. Sigmae, 8(2), 564–575. Recuperado de https://publicacoes.unifal-mg.edu.br/revistas/index.php/sigmae/article/view/1046

Edição

v. 8 n. 2 (2019): Special issue: 64th RBRAS and 18th SEAGRO

Seção

Ciências da Computação

Licença

Proposta de Política para Periódicos de Acesso Livre


Autores que publicam nesta revista concordam com os seguintes termos:

    1. Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.

    1. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.

  1. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).