Use este identificador para citar ou linkar para este item: https://locus.ufv.br//handle/123456789/29935
Tipo: Dissertação
Título: Desenvolvimento e avaliação de um sistema automatizado para classificação de grãos de soja a partir de imagens digitais
Development and evaluation of an automated system for classification of soybeans from digital images
Autor(es): Magalhães, Diana Soares
Abstract: 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.
Soybean (Glycine max) is one of the most widespread crops in the world and of great economic importance. The procedures for classifying and determining the physical properties of grains and seeds are usually carried out manually and employ different equipment thus becoming laborious work and subjective. Therefore, the present work was carried out with the objective of developing an automated system for classifying samples of soybeans through digital images. The prototype for obtaining the digital images was made of black MDF and had an integrated Raspberry Pi microprocessor and a Pi Camera to capture the images. The camera was activated through a Python code, in which settings such as resolution, frame rate, brightness, contrast, and saturation were standardized in order to obtain uniform images. To determine the physical properties, images of whole grains were captured and through these, the width, length, projected area, and perimeter of 50 grains were analyzed through a computer application using Python programming language. The measurements for the grains obtained by the application were compared with those determined by a caliper. The Bland-Altman test was applied for the variables of width, length, and circularity. Satisfactory results were obtained for the length variable seeing that the method of obtaining measurements by digital images did not differ statistically from the caliper method making them equivalent. For the width and circularity variables, the digital method was not equivalent. However, most of the data are within the 95% confidence interval. For the variables of the projected area and perimeter, the agreement between the data was analyzed by means of an ANOVA followed by the Tukey test at 5% probability. The projected area variable did not differ significantly according to the methods used while the perimeter differed only for the method in which OpenCV library functions were used. For the classification of soybeans, 750 digital images of samples were acquired containing random combinations of the attributes of healthy (A1), burnt (A2), moldy(A3), burnt (A4), immature (A5), damaged (A), fermented (A7), broken and fragmented (A8), crushed (A9), hollow (A10), greenish (A12), and germinated grains(A12). A computational application was developed for image processing and feature extraction using OpenCV and NumPy libraries. The data obtained were used to simulate artificial neural networks in seven performance simulations in order to select an efficient neural network capable of classifying soybeans. Tests were performed with different network configurations using the software Matlab and cross- validations were obtained using Orange Canvas. The highest accuracy was 80.01% found for the second simulation case using 60% of the data for training in an ANN with 30 neurons. For the validation of the ANN images of 10 samples containing the known attributes and quantity of soybeans were used. The images were submitted to the best network training found and obtained an average accuracy rate of 80.8%. Among the 12 attributes used in the classification of grains in the model developed these presented an accuracy rate of: 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% and A12 - 54.3%. Keywords: Raspberry Pi. Automation. Python. Post-haverst. Physical properties.
Palavras-chave: Soja - Grãos
Raspberry Pi (Computador)
Automação
Python (Linguagem de programação de computador)
Soja - Fisiologia pós-colheita
Propriedades físicas
CNPq: Engenharia de Processamento de Produtos Agrícolas
Editor: Universidade Federal de Viçosa
Titulação: Mestre em Engenharia Agrícola
Citação: MAGALHÃES, Diana Soares. Desenvolvimento e avaliação de um sistema automatizado para classificação de grãos de soja a partir de imagens digitais. 2022. 72 f. Dissertação (Mestrado em Engenharia Agrícola) - Universidade Federal de Viçosa, Viçosa. 2022.
Tipo de Acesso: Acesso Aberto
Identificador DOI: https://doi.org/10.47328/ufvbbt.2022.180
URI: https://locus.ufv.br//handle/123456789/29935
Data do documento: 26-Jan-2022
Aparece nas coleções:Engenharia Agrícola

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
texto completo.pdftexto completo1,53 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.