Das Montanhas de Minas ao Oceano : Os Caminhos da Ciência para um futuro sustentável
20 a 24 de outubro de 2025
Trabalho 21630
| Instituição | Universidade Federal de Viçosa |
|---|---|
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Dimensões Sociais: ODS2 |
| Setor | Instituto de Ciências Exatas e Tecnológicas |
| Conclusão de bolsa | Não |
| Primeiro autor | Marcus Vinicius Diniz dos Reis |
| Orientador | PEDRO MOISES DE SOUSA |
| Título | Análise da qualidade de grãos de café usando redes neurais convolucionais com técnicas como ensemble. |
| Resumo | O mercado brasileiro de café é um dos mais importantes e influentes do mundo, sendo o maior exportador global de café. Mesmo hoje, em muitos casos, a qualidade dos grãos de café é determinada manualmente, resultando em baixa precisão. Além disso, as limitações na análise humana restringem o número de grãos que podem ser examinados. Diante desse cenário, o projeto propõe o uso de redes neurais convolucionais (CNNs) para automatizar a classificação dos grãos de café, com foco na distinção entre grãos de boa qualidade (premium) e grãos com defeitos (defect), a partir do uso de imagens do conjunto de dados USK-Coffee, que contém um total de 8000 imagens rotuladas. O principal objetivo do projeto é avaliar a eficácia de diferentes arquiteturas de CNNs na resolução dessa tarefa, contribuindo assim para o desenvolvimento de um sistema mais eficiente, confiável, padronizado e escalável. Foram testadas seis arquiteturas populares de redes convolucionais: AlexNet, ResNet18, ResNet-50, VGG16, VGG19 e EfficientNet-B1. Inicialmente, o dataset possuía quatro classes distintas. No entanto, para os objetivos deste projeto, ele foi adaptado para conter apenas duas classes: premium e defect, com uma divisão de 60% para o conjunto de treino, 20% para validação e 20% para teste. O processo de treinamento seguiu uma padronização de hiper parâmetros, sendo utilizados: função de perda BCEWithLogitsLoss, otimizador Adam, taxa de aprendizado de 0,0001, 100 épocas de treinamento e batch size de 16. Após o treinamento individual de cada modelo, os cinco com melhor desempenho foram combinados por meio de uma estratégia de ensemble baseada em votação majoritária, na qual a predição final de uma imagem da base de teste é determinada pela classe mais votada entre as saídas dos modelos, aumentando a robustez do sistema como um todo. Os resultados individuais foram promissores: AlexNet obteve acurácia de 90,87%, enquanto ResNet-18 e ResNet-50 atingiram 87,12% e 90,38%, respectivamente. As arquiteturas VGG16 e VGG19 apresentaram performances sólidas, com acurácias de 92,87% e 91,75%. Já o modelo EfficientNet-B1 destacou-se com a maior acurácia individual, atingindo 93,75%. Por fim, a estratégia de ensemble superou todos os modelos isoladamente, alcançando uma acurácia final de 94,13% no conjunto de teste, o que representa uma melhoria significativa na estabilidade e confiabilidade das predições. Esses resultados evidenciam o potencial das redes neurais convolucionais na tarefa de classificação automática de grãos de café, oferecendo uma solução promissora para reduzir erros humanos, garantir maior uniformidade e aumentar a eficiência no controle de qualidade da produção cafeeira. A abordagem desenvolvida também reforça o uso de técnicas de combinação de modelos para buscar a melhora e a capacidade de generalização em tarefas complexas de visão computacional aplicada à agricultura de precisão e à indústria alimentícia de forma mais ampla. |
| Palavras-chave | efficientnet, grão de café, Redes Neurais Convolucionais |
| Apresentações |
|
Clique na forma de apresentação para ver a apresentação.
| Link para apresentação | Painel |
|---|