"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 17966
| 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 | Sim |
| Apoio financeiro | CNPq |
| Primeiro autor | Jose Artur Schaper Bamberg Oliveira Sant |
| Orientador | LUIS ANTONIO MINIM |
| Título | Sistema de visão computacional para classificação de amêndoas de cacau fermentadas |
| Resumo | O cacau é um dos frutos mais cultivados em países tropicais e subtropicais. Sua amêndoa é a matéria prima principal para a fabricação do chocolate. Na etapa de pós-colheita, as sementes de cacau são separadas da polpa e depois submetidas à fermentação, seguido pela fase de secagem. a etapa de fermentação da semente de cacau tem papel muito importante pois é durante ela que ocorre a diminuição da acidez, adstringência e do amargor das amêndoas, também ocorre a formação de açúcares redutores e aminoácidos, que durante o processo de torra, geram mais sabor e aroma para o chocolate. Para classificação do nível da fermentação, umas das técnicas mais utilizadas é o teste de corte cuja finalidade é indicar a qualidade das amêndoas, sendo realizado por especialistas. Nesse projeto foi desenvolvido um sistema de visão computacional baseado em Redes Neurais Convolucionais (CNN) para monitorar o ponto de fermentação do cacau. Foi utilizada uma amostragem de 2074 imagens sendo aumentadas artificialmente em 7 vezes, resultando em 14568 imagens, que foram posteriormente redimensionadas para a dimensão de (250, 250, 3)px. As imagens foram subdivididas em 3 grupos, sendo 500 imagens para teste, 2500 imagens para validação e o restante para o treino. A CNN foi estruturada por duas camadas convolucionais ((7x7), (3x3)) e Max Pooling (3x3) após a camada 1 e 2. Após essas camadas, foram usadas 4 inceptions com camadas convolucionais de tamanhos diferentes para melhorar a detecção de características específicas. Para a normalização dos pesos, foi aplicado o batch normalization. Foi aplicada uma camada Flatten, duas camadas densas e uma camada de saída, com 5 classes de fermentação (marrom, parcial marrom, violeta, ardósia e compacta). Na camada densa foi aplicada a função softmax para obter a probabilidade das distintas classes referentes a cada imagem. Os resultados obtidos mostram a capacidade de predição do modelo com acurácia geral de 87,4%, função de perda de 0,35 e Area Under the Curve (AUC) de 0,034. Essas métricas mostram que a rede convolucional conseguiu prever satisfatoriamente o conjunto de dados de teste, obtendo quase nenhum falso-verdadeiro ou falso-falso (Através do AUC). Também foi analisada a matriz de confusão e constatado que a rede teve um desempenho pior apenas na classe parcial marrom, que foi predita como marrom em 16% dos casos. Isso se deve ao fato da grande semelhança das duas classes no quesito cor e textura. Conclui-se, então, que o modelo é uma ferramenta útil e viável, que pode ser aplicada para detecção de características de fermentação do cacau. Os resultados deste estudo abrem uma perspectiva de desenvolvimento de um dispositivo para smartphones que pode ser usado por agricultores de cacau, de forma que aqueles consigam resultados semelhantes aos obtidos através de um especialista, porém de forma menos custosa. |
| Palavras-chave | redes neurais convolucionais, classificação, cacau |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|