Estimativa da germinação de sementes de Pityrocarpa moniliformis (Benth.) Luckow & R. W. Jobson usando Deep Learning

• Ano de defesa: 2022
• Autor(a) principal: Andrade, Francisca Adriana Ferreira de
• Orientador(a): Pereira, Márcio Dias
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal do Rio Grande do Norte
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIAS FLORESTAIS
• País: Brasil
• Palavras-chave em Português: Espécies florestais; Inteligência artificial; Redes convolucionais; Aprendizado profundo
• Link de acesso: https://repositorio.ufrn.br/handle/123456789/47623

A possibilidade de estimar a germinação de um lote de sementes por meio uso do Deep Learning tem apresentado potencial, como método complementar à análise de qualidade de sementes. Nesta pesquisa, avaliou-se a eficiência do uso do Deep Learning, com redes neurais convolucionais, para estimar a germinação de sementes de Pityrocarpa moniliformis (Benth.) Luckow & R. W. Jobson. Selecionou-se 1000 sementes aleatoriamente de quatro lotes, 250 sementes de cada, as quais foram usadas nos testes de germinação e análises computacionais. Para a captação das imagens das sementes utilizou-se um escâner, a partir do qual se obteve as imagens de cada semente, individualmente. As imagens das sementes foram usadas para implementar, treinar e testar as redes neurais convolucionais no algoritmo computacional criado nesta pesquisa, visando à comparação dos resultados obtidos a partir da análise computacional com os da germinação individual de cada semente. Para tanto, após a aquisição das imagens, as sementes foram colocadas para germinar, identificando-se cada uma individualmente. Após o período de germinação, as sementes foram divididas em duas classes: germinadas (0) e não germinadas (1). A partir das imagens das sementes antes da germinação, e com o resultado individual de cada semente, procedeu-se a análise computacional. As redes pré-treinadas após cinco épocas de execução indicaram tendência de melhora da acurácia, no entanto também observou-se indícios de sobreajuste, uma vez que o desempenho nos dados de treino foram melhores do que os dados de validação (teste). O recall (sensibilidade) foi superior a 90% em todos os modelos para classe de sementes germinadas. O valor do recall foi bem menor para a classe não germinadas, ambas, abaixo de 20%. Para o modelo proposto obteve-se 85% de recall para a classe de sementes não germinadas e 18% para as germinadas, o que pode ter ocorrido devido a sobreposição das classes de interesses. Os resultados das redes pré- treinadas e do modelo proposto mostraram-se não eficientes, pois não conseguem distinguir as classes de interesse de forma adequada para avaliar a eficiência do uso de Deep Learning na estimativa da germinação das sementes de Pityrocarpa moniliformis, porém as análises indicam necessidade de melhorar e ajustar os pré-processamentos das imagens e carece de mais tempo de investigação e mais testes de configuração dos modelos.