Classificação de Defeitos em Grãos de Soja por Visão Computacional e Redes Neurais Convolucionais

• Gesmar de Paula Santos Júnior UFU
• Alexandre Cardoso UFU
• Pedro Cunha Antero de Carvalho Grider Automação e Tecnologia LTDA
• Leonardo Garcia Marques UFU
• Bruno Sousa Pereira UFU
• Gabriel Henrique Camargo Silva UFU

DOI: https://doi.org/10.5753/eritm.2026.26585

Resumo

Este artigo apresenta uma abordagem para classificação automática de defeitos em grãos de soja utilizando imagens RGB, segmentação automática e uma rede neural convolucional ResNet50. As imagens são adquiridas em ambiente controlado, com iluminação padronizada e fundo contrastante. O pipeline proposto realiza pré-processamento, conversão de espaço de cor, segmentação dos grãos, recorte individual das amostras, organização do dataset e classificação. O método foi avaliado com 34.049 imagens segmentadas, divididas em conjuntos de treinamento, validação e teste. Os resultados indicam o potencial da visão computacional RGB como ferramenta de apoio à classificação de qualidade de grãos de soja.

Referências

Sonawane, S. and Mohanty, B. K. (2021). “An improved image processing scheme for automatic detection of harvested soybean seeds”. Journal of Food Measurement and Characterization, v. 15, n. 6, p. 5607–5621. DOI: 10.1007/s11694-021-01124-0

Villaverde, J. E. and Cleva, M. (2024). “Volume estimation of unbroken soybeans samples using digital image processing techniques”. Revista de Investigaciones Agropecuarias (RIA), v. 50, n. 1, p. 8–13. DOI: 10.58149/7aj0-5549

Yang, S. et al. (2021). “High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning”. Plant Methods, v. 17, p. 50. DOI: 10.1186/s13007-021-00749-y

Zhao, G. et al. (2021). “Real-time recognition system of soybean seed full-surface defects based on deep learning”. Computers and Electronics in Agriculture, v. 187, 106230. DOI: 10.1016/j.compag.2021.106230