Rede neural convolucional e padrão de metadados na classificação de grãos de soja

• Ano de defesa: 2021
• Autor(a) principal: Machado, Bruna Neves
• Orientador(a): Vaz, Maria Salete Marcon Gomes
• Banca de defesa: Morais, Erickson Freitas de, Britto Junior, Alceu de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual de Ponta Grossa
• Programa de Pós-Graduação: Programa de Pós Graduação Computação Aplicada
• Departamento: Departamento de Informática
• País: Brasil
• Palavras-chave em Português: Metadados; Padrão de Metadados; Rede Neural Convolucional; Classificação de Imagens; Deep Learning; Metadata; Metadata Standard; Convolutional Neural Network; Images Classification
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://tede2.uepg.br/jspui/handle/prefix/3449

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.