"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 19786
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Inteligência Artificial |
| Setor | Departamento de Estatística |
| Bolsa | FAPEMIG |
| Conclusão de bolsa | Sim |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Alícia Ruiz do Rêgo Barros Veiga |
| Orientador | LUIZ ALEXANDRE PETERNELLI |
| Outros membros | Aline Aparecida Malta, Matheus de Paula Ferreira |
| Título | Desenvolvimento de aplicativo computacional para classificação de sementes |
| Resumo | O desenvolvimento de aplicativos Shiny no R facilita a criação de sites interativos para análise de dados. Essas aplicações oferecem rapidez, precisão e eficiência na análise agronômica. A aplicação desenvolvida no presente trabalho permite a classificação de sementes através de imagens capturadas por dispositivos móveis, essa solução pode ser utilizada para reduzir erros na identificação e agilizar o processo de seleção de sementes. Nesse sentido, o trabalho envolveu a coleta de imagens de sementes florestais de amendoim bravo (Pterogyne nitens), o angico cangalha (Peltophorum dubium), o fedegoso (Senna macranthera) e um grupo sementes de classificação desconhecida, utilizando o sensor principal de 50 MP do smartphone Samsung S22, com uma resolução de 8165x6124 pixels. Foi utilizado um fundo azul para melhorar o contraste entre o fundo e as sementes, facilitando a segmentação das regiões da imagem que apresentavam sementes. Após a coleta, atributos morfológicos foram extraídos das imagens de sementes usando o pacote "pliman" (Plant Image Analysis), possibilitando analisar várias sementes em uma única foto, eliminando a necessidade de tirar fotos individualmente. As características extraídas das sementes foram: coordenada x do centro de massa, coordenada y do centro de massa, área, área do envoltório convexo ao redor do objeto, perímetro o, menor raio, raio médio, maior raio, desvio padrão do raio médio, razão entre o raio máximo e o raio mínimo, menor diâmetro, diâmetro médio, maior diâmetro, ajuste elíptico para o eixo maior, ajuste elíptico para o eixo menor, excentricidade elíptica, ângulo, solidez e circularidade. A partir desses atributos, ocorreu a criação de um banco de dados que foi dividido em treinamento e validação. Para realizar o processo de classificação foi utilizado o algoritmo KNN (k-vizinhos mais próximos), um método baseado na distância euclidiana entre os dados. O algoritmo de classificação KNN foi treinado e validado usando a base de treinamento e teste, respectivamente. Para o desenvolvimento do aplicativo, foi utilizado o pacote “Shiny”, permitindo a criação de uma interface responsiva e intuitiva, com recursos estéticos e funcionais, possibilitando aos usuários carregar imagens de sementes e realizar classificações automatizadas com o modelo KNN, além de testar valores de 1 a 10 para o parâmetro K, que define a quantidade de vizinhos mais próximos a ser analisada. Nesse sentido, a taxa de erro, que é definida como a taxa de previsões incorretas com relação ao total de observações não variou muito para os diferentes valores de K, a taxa foi de 7% para todos os valores de K, exceto para K = 3 e K = 4 onde a taxa de erro foi de 13%. Assim, o Shiny mostrou-se útil para utilização no contexto agronômico e considerou-se o algoritmo KNN uma ferramenta eficaz para a diferenciação de espécies com base em imagens de sementes reduzindo significativamente o tempo associado à identificação utilizando manuais de espécies vegetais. |
| Palavras-chave | Shiny, Análise de imagem, Sementes. |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|