“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 |
|---|