Classificação de imagens de soja baseada em aprendizado profundo
Ano de defesa: | 2018 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso embargado |
Idioma: | por |
Instituição de defesa: |
Universidade Tecnológica Federal do Paraná
Cornelio Procopio |
Programa de Pós-Graduação: |
Programa de Pós-Graduação em Informática
|
Departamento: |
Não Informado pela instituição
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://repositorio.utfpr.edu.br/jspui/handle/1/4506 |
Resumo: | O Brasil é um dos maiores produtores e exportadores de soja do mundo. Diversos testes são realizados no controle de qualidade da indústria de sementes procurando sempre garantir excelência na qualidade das mesmas. Entre os diversos testes realizados nos laboratórios de sementes, o teste de tetrazólio destaca-se devido sua precisão e rapidez, bem como a entrega de informações a respeito da avaliação da viabilidade e do vigor dos lotes de sementes. O vigor é uma das características mais importantes das sementes, pois determina o potencial para a planta germinar, emergir e resultar em plântulas normais. Porém a classificação do vigor das sementes está totalmente ligada ao conhecimento e experiência do analista de sementes, tarefa essa altamente cansativa e suscetível a erros, pois depende da análise visual de milhares de sementes em um dia. Diante desta peculiaridade, o presente trabalho teve como objetivo desenvolver um arcabouço que permitisse automatizar o processo de análise visual e classificação dos danos encontrados nas mesmas, resultando na posterior definição do vigor baseado nas características existentes nas sementes após serem submetidas ao teste de tetrazólio, auxiliando o especialista. Para tal, foram aplicadas técnicas de visão computacional integradas tanto ao processo de extração de características tradicional, como ao baseado em diferentes arquiteturas de aprendizado profundo por meio de métodos de transferência de aprendizado (transfer learning). Além disso, foram aplicados e analisados os comportamentos de diferentes classificadores supervisionados para o problema. Como contribuição adicional o trabalho também gerou a construção de uma nova de base de imagens de sementes de tetrazólio, a qual possui capacidade futura de permitir extensões e melhorias dos métodos de análise de imagens aplicados ao problema em questão. A partir dos experimentos realizados foi possível obter conclusões relevantes relacionadas ao contexto, bem como bons resultados relacionados à acurácia obtida na classificação automática do vigor. |