“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.

8 a 10 de novembro de 2022

Trabalho 16618

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Graduação
Modalidade Pesquisa
Área de conhecimento Ciências Exatas e Tecnológicas
Área temática Inteligência Artificial
Setor Departamento de Tecnologia de Alimentos
Bolsa PIBIC/CNPq
Conclusão de bolsa Não
Apoio financeiro CNPq
Primeiro autor Ciro Natalino de Castro
Orientador LUIS ANTONIO MINIM
Outros membros Weskley da Silva Cotrim
Título Desenvolvimento de um sistema de visão computacional baseado em redes neurais convolucionais para acompanhamento do processo de torra de café
Resumo O controle de processos aplicado à etapa de torrefação dos grãos de café em escala industrial é uma atividade empírica, necessitando da presença de um operador altamente especializado para sua inspeção visual. Esse fato resulta em uma produção diversificada, onde a qualidade do produto final pode ser comprometida. Nesse cenário, foi desenvolvido um sistema de visão computacional baseado em Redes Neurais Convolucionais (CNN) para monitorar o ponto de torra dos grãos durante o processo. Foi utilizado um banco de dados contendo 864 imagens de grãos de café obtidas em nove tempos distintos (2 a 12 minutos) do período de torra. As imagens foram obtidas por uma câmera fotográfica e foram divididas aleatoriamente em três conjuntos: treinamento (80%), validação (10%) e teste (10%). Após a subdivisão aplicou-se o procedimento de aumento artificial de dados com fator 7, resultando em 6048 imagens. A CNN construída, baseada em um número reduzido de camadas, é composta por três camadas convolucionais (5x5, 3x3 e 3x3). Adicionalmente, foram inseridas camadas de Max Pooling após as camadas 1 e 2. Para normalização foi aplicada a técnica de Batch Normalization, sendo adicionada uma função do tipo Global Average Pooling (GAP) na saída de cada uma das camadas convolucionais. A camada de saída foi composta pela função Softmax, produzindo uma distribuição de probabilidades de uma amostra pertencer à determinada classe. Os resultados obtidos mostram a capacidade da rede em classificar as imagens em estágios distintos de torra, atingindo uma precisão global média de 95,83% (±0,32%) no conjunto de treinamento. No modelo de previsão do tempo de torra apresentou média RMSE de 0,4 min (R² = 0,9870). Adicionalmente foi possível demonstrar a capacidade da CNN em lidar melhor com as cores preto, amarelo e vermelho do que com a cor cinza e o fato de intervalos com períodos de tempo mais curtos entre si tornam-se mais difíceis de serem classificados. Além disso, foi possível concluir que uma arquitetura com número reduzido de camadas convolucionais não afeta o desempenho de um sistema no qual o número de classes é pequeno. O modelo desenvolvido apresenta-se como uma ferramenta útil, uma vez que se trata de uma técnica não-invasiva e não-destrutiva, estando em conformidade com os pressupostos da indústria 4.0, sendo capaz de monitorar e prever o tempo de torra dos grãos de café.
Palavras-chave Visão computacional, redes neurais convolucionais, café
Forma de apresentação..... Vídeo
Link para apresentação Vídeo
Gerado em 0,67 segundos.