Aplicação de Redes Neurais Convolucionais para Classificação de Imagens de Estágios de Maturação da Banana Prata Catarina

• Rafaela S. Francisco UFMT
• Gabriel de S. G. Pedroso UFMT
• Thiago M. Ventura UFMT

DOI: https://doi.org/10.5753/wcama.2024.2996

Resumo

A banana desempenha um papel significativo na fruticultura e, para reduzir as perdas durante o processo pós-colheita e prolongar a vida útil de armazenamento, é importante identificar os seus níveis de maturação, principalmente por apresentarem uma alta taxa de deterioração. Técnicas de inteligência artificial podem ser aplicadas para este fim. Este trabalho aborda a construção de modelos de redes neurais artificiais para a classificação de estágios de maturação das bananas, utilizando-se como conjunto de imagens de Bananas Prata Catarina. Foram aplicadas técnicas de data augmentation e redes convolucionais para alcançar melhores resultados.

Referências

Adebayo S., Hashim N., Abdan, K., Hanafi, M., Zude-Sasse, M. (2017). Prediction of banana quality attributes and ripeness classification using artificial neural network. Acta Horticulturae, 1152(1152):335–344.

Bloice, M. D., Stocker, C., & Holzinger, A. (2017). Augmentor: an image augmentation library for machine learning. Disponível em arXiv preprint arXiv:1708.04680. Acessado em fevereiro de 2024.

CEAGESP (2006) “PBMH & PIF — Programa Brasileiro para a Modernização da Horticultura & Produção Integrada de Frutas”. Normas de Classificação de Banana. Disponível em [link]. Acessado em fevereiro de 2024.

Chen, LY., Wu, CC., Chou, TI., Chiu, SW., Tang, KT. (2018). Development of a dual MOS electronic nose/camera system for improving fruit ripeness classification. Sensors, 18(10):3256.

Chollet, F et al. (2015). Keras. Disponível em [link]. Acessado em fevereiro de 2024.

Duarte, A. G., Barbieri, M. (2024). BANANA/CEPEA: Exportações fecham 2023 em queda. Disponível em [link]. Acessado em fevereiro de 2024.

Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization. Disponível em arXiv preprint arXiv:1412.6980. Acessado em fevereiro de 2024.

Maharana, K., Mondal, S., & Nemade, B. (2022). A review: Data pre-processing and data augmentation techniques. Global Transitions Proceedings, 3(1), 91-99.

Ministério da Agricultura e Pecuária. (2024). Exportações do agronegócio fecham 2023 com US$ 166,55 bilhões em vendas. Disponível em [link]. Acesso em fevereiro de 2024.

Martins Neto, J. L., Neves, J. P. H., Xavier, M. V. T. N., Freitas, E. D. G. de, Gomes, D. G. Dataset de Imagens de Banana Prata Catarina Rotuladas em Oito Estados de Maturação. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 14. , 2023, João Pessoa/PB. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 155-158. ISSN 2595-6124.

Mazen, F. M. A. and Nashat A. A. (2019). Ripeness classification of bananas using an artificial neural network. Arabian Journal for Science and Engineering 44(8):6901–6910.

Sabilla, I. A., Wahyuni, C. S., Fatichah, C., Herumurti, D. (2019). Determining banana types and ripeness from image using machine learning methods. In: IEEE International Conference of Artificial Intelligence and Information Technology (ICAIIT). Proceedings.

Siddiq, M., Ahmed, J., Lobo, M. G. (2020). Handbook of banana production, postharvest science, processing technology, and nutrition. Hoboken, Wiley, 284 p.

Zhang, Y., Lian, J., Fan, M., Zheng, Y. (2018). Deep indicator for fine-grained classification of banana’s ripening stages. EURASIP Journal on Image and Video Processing 2018(1):1–10.