Oat grains classification using deep learning

Autores

DOI:

https://doi.org/10.5335/rbca.v15i1.13653

Palavras-chave:

Aprendizado profundo, aveia, classificação, visão computacional

Resumo

Background: A aveia é um cereal de grande importância para a alimentação humana e animal devido aos benefícios nutricionais que oferece. Ao longo do processo de produção, a identificação de espécies e cultivares é vital para os sistemas agrícolas. O presente trabalho estabelece SeedFlow, uma metodologia para aquisição, processamento e classificação de imagens de grãos de aveia utilizando técnicas de aprendizado profundo. Estas técnicas são empregadas para a identificação de espécies de aveia Avena sativa e Avena strigosa, e para classificar grãos quanto a cultivar de Avena sativa, como UPFA Ouro, UPFA Fuerza , e UPFA Gaudéria. Resultados: Para tanto, a solução proposta foi executada considerando seis diferentes arquiteturas de aprendizado profundo para avaliar qual modelo apresenta o melhor desempenho. Esta abordagem atingiu uma precisão de 99,7% para identificação de espécies de aveia e 89,7% para classificação de cultivares de aveia usando a arquitetura DenseNet. Conclusões: Como resultado, esta ferramenta pode ser vista como de alto valor para aplicações práticas de controle de qualidade, viável para ser usada em testes de pré-triagem, em fluxo de análise laboratorial, ou como ferramenta de suporte computacional voltada para programas de melhoramento ou avaliação de propriedade intelectual.

Downloads

Os dados de download ainda não estão disponíveis.

Biografia do Autor

  • Rafael Rieder, Universidade de Passo Fundo

    Rafael Rieder possui graduação de Bacharelado em Informática pela Universidade Regional Integrada do Alto Uruguai e das Missões (URI, 2002), Mestrado em Ciência da Computação pela Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS, 2006), e Doutorado em Ciência da Computação pela mesma instituição (PUCRS, 2011). É docente permanente do Programa de Pós-Graduação em Computação Aplicada (ppgCA) e professor dos cursos de graduação da Universidade de Passo Fundo (UPF). Suas áreas de interesse são Realidade Virtual e Aumentada, Interfaces 3D e Processamento de Imagens.

Downloads

Publicado

25-04-2023

Edição

v. 15 n. 1 (2023): Abril/2023

Seção

Artigo Original

Licença

Licença Creative Commons
Todos os artigos estão licenciados com a licença Creative Commons Atribuição-NãoComercial-SemDerivações 4.0 Internacional. Autores que publicam nesta revista concordam com os seguintes termos:
a) 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.
b) 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.
c) 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).

Como Citar

[1]
2023. Oat grains classification using deep learning. Revista Brasileira de Computação Aplicada. 15, 1 (abr. 2023), 48–58. DOI:https://doi.org/10.5335/rbca.v15i1.13653.