Colher ou não colher? Uma rede neural convolucional para apoiar cafeicultores na decisão da colheita
Resumo
Nesse artigo é feito um estudo de modelos de aprendizado profundo para auxiliar os agricultores na melhor tomada de decisão da colheita dos cafeeiros. Este é um problema pouco explorado na literatura e se torna muito difícil por conta dos frutos amadurecerem de maneira desuniforme na planta. Nesse sentido, coletamos milhares de imagens de cafeeiros as quais foram posteriormente classificadas por especialistas da área, Além disso, triplicamos a base de dados utilizando o processo de aumento de dados e três arquiteturas de redes neurais convolucionais foram treinadas e tiveram seu desempenho preditivo comparado. Os resultados mostram que nosso melhor obteve uma taxa de acerto de 93\% e F1-score de 92\% em imagens separadas para os testes.
Palavras-chave:
rede neural convolucional, colheita do café, mobilenet, mobilenetv2, nasnetmobile, aumento de dados
Referências
Alves, E. A., Costa, J. N., and Santos, J. C. F. (2015). Procedimentos de colheita do caf é.In Marcolan, AL; Espindula, M., editor, Café na Amazônia, pages 345–358.
Budzinski, I. G., Cação, S., Carneiro, C. E., Pereira, L. F. P., and Vieira, L. G. E. (2005).Análise de genes expressos durante estádios finais da maturação de frutos de café. In Simpósio de Pesquisa dos Cafés do Brasil, pages 1–5.
CONAB (2020). Acompanhamento da safra brasileira de café, v. 6 – Safra 2020, n.4 -Quarto levantamento.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: Alarge-scale hierarchical image database. In IEEE Conference on Computer Vision andPattern Recognition, pages 248–255.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto,M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks formobile vision applications. arXiv preprint arXiv:1704.04861, pages 1–7.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In IEEE Conference on Computer Vision and Pattern Recognition, pages 4510–4520.
Zoph, B., Vasudevan, V., Shlens, J., and Le, Q. V. (2018). Learning transferable architectures for scalable image recognition. In IEEE Conference on Computer Vision and Pattern Recognition, pages 8697–8710.
Budzinski, I. G., Cação, S., Carneiro, C. E., Pereira, L. F. P., and Vieira, L. G. E. (2005).Análise de genes expressos durante estádios finais da maturação de frutos de café. In Simpósio de Pesquisa dos Cafés do Brasil, pages 1–5.
CONAB (2020). Acompanhamento da safra brasileira de café, v. 6 – Safra 2020, n.4 -Quarto levantamento.
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: Alarge-scale hierarchical image database. In IEEE Conference on Computer Vision andPattern Recognition, pages 248–255.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto,M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks formobile vision applications. arXiv preprint arXiv:1704.04861, pages 1–7.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In IEEE Conference on Computer Vision and Pattern Recognition, pages 4510–4520.
Zoph, B., Vasudevan, V., Shlens, J., and Le, Q. V. (2018). Learning transferable architectures for scalable image recognition. In IEEE Conference on Computer Vision and Pattern Recognition, pages 8697–8710.
Publicado
07/06/2021
Como Citar
MUNDIM FILHO, Anagê Calixto; ALVARENGA, Cleyton; CARNEIRO, Murillo Guimarães.
Colher ou não colher? Uma rede neural convolucional para apoiar cafeicultores na decisão da colheita. In: WORKSHOP DE INICIAÇÃO CIENTÍFICA EM SISTEMAS DE INFORMAÇÃO - SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 17. , 2021, On-line.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 57-60.
DOI: https://doi.org/10.5753/sbsi.2021.15356.
