Dissertação
Rede neural convolucional e padrão de metadados na classificação de grãos de soja
Registro en:
MACHADO, Bruna Neves. Rede neural convolucional e padrão de metadados na classificação de grãos de soja. 2021. Dissertação (Mestrado em Computação Aplicada) - Universidade Estadual de Ponta Grossa, Ponta Grossa, 2021.
Autor
Machado, Bruna Neves
Institución
Resumen
The classification of grains in agriculture is done manually, where grain by grain must be analyzed so that the grains are allocated to their respective classes. The identification of the classes of the grains is done visually, where the analysis of the color and the state in which the grain is made. This classification is usually done by
professionals specialized in the field, which can take a long time to classify a small amount of grains. The time to carry out the manual classification is essential for the grains to be evaluated and sent to consumers as soon as possible. In this work, a metadata standard model for grain classification was presented, an application to structure metadata in HTML or XML, as well as a computational method for the classification of soybeans of the Glycine max species where convolutional neural networks were used. The convolutional neural networks used were Resnet34, MobileNet and VGG19. The network was trained on the basis of grain defect data. Nine (9) classes of soybeans were considered, where each class contained 100 (one hundred) images. The result achieved by Resnet34 was 99.55% accurate with the use of data augmentation, and 80.85% without the use of this technique. The MobileNet and VGG19 networks achieved an accuracy of 97.33% and 97.22% with the use of data augmentation, respectively. A classificação de grãos na agricultura é feita de forma manual, onde deve ser analisado grão a grão para que os grãos sejam alocados em suas respectivas classes. A identificação das classes dos grãos é feita visualmente, onde é feita a análise da cor e o estado em que o grão se encontra. Essa classificação é feita, geralmente, por profissionais especializados na área que podem demandar muito tempo para classificar uma pequena quantidade de grãos. O tempo para realizar a classificação manual é fundamental para que os grãos sejam avaliados e enviados para os consumidores o mais rápido possível. Neste trabalho foi apresentado um modelo de padrão de metadados para a classificação de grãos, um aplicativo para estruturar os metadados em HTML ou em XML, além de um método computacional para a classificação de grãos de soja da espécie Glycine max onde redes neurais
convolucionais foram utilizadas. As redes neurais convolucionais utilizadas foram as Resnet34, MobileNet e VGG19. A rede foi treinada com base nos dados de defeitos de grão. Foram consideradas 9 (nove) classes de grãos de soja, onde cada classe continha 100 (cem) imagens. O resultado alcançado da Resnet34 foi de 99,55% de acurácia com o uso de data augmentation, e 80,85% sem o uso dessa técnica. As redes MobileNet e VGG19 obtiveram uma acurácia de 97,33% e 97,22% com o uso do data augmentation respectivamente.