Desenvolvimento de sistema de visão computacional para seleção de produtos agrícolas a partir da aplicação de redes neurais convolucionais

Abstract

A demanda por produtos agrícolas de qualidade aumenta conforme o crescimento da produção alimentícia e da população mundial. Equipamentos focados na classificação destes produtos ainda são escassos e as Redes Neurais Convolucionais (CNN) têm sido aplicadas com este propósito. O objetivo desse projeto foi criar um sistema de visão computacional capaz de selecionar produtos agrícolas de forma automatizada em função de atributos de qualidade. Para isso, a câmara seletora de imagens foi composta por um Raspberry Pi 5 acoplado ao módulo de câmera próprio, monitor LCD e lâmpadas LED para iluminação, com o software para treinamento das CNNs e classificação dos dados armazenados em sua memória interna. Três CNN foram comparadas, sendo duas com arquiteturas pré-estabelecidas (AlexNet e Mobile Net), e uma com arquitetura adaptada para este projeto (OakMoonNet). Um software foi desenvolvido para aquisição das imagens, e outro para a aplicação das CNNs e obtenção das métricas de desempenho de classificação. As CNNs foram aplicadas a seis bancos de imagens, dos quais, dois compostos por imagens obtidas por meio da câmara seletora, com iluminação controlada, e quatro compostos por imagens em condições variadas de ambiente, quantidade e iluminação. A comparação de desempenho das CNNs foi realizada por meio da avaliação dos parâmetros de Acurácia, Precisão, Sensibilidade (Recall) e F1-Score, obtidos durante o treinamento. A CCN OakMoonNet apresentou o melhor desempenho para os experimentos realizados como avaliação da câmara seletora, obtendo 77% de acurácia (tempo de processamento 23 min e 53 seg) para a classificação da severidade de danos em laranjas e 100% de acurácia para classificação dos frutos de tomates em função maturação (tempo de processamento 4 min e 12 seg). Para os experimentos complementares de validação do software, com dados obtidos fora da câmara seletora, o padrão se repetiu, com a OakMoonNet apresentando sempre a maior acurácia e menor tempo de treinamento, se mostrando mais eficiente na classificação de produtos agrícolas em comparação com as CNNs AlexNet e MobileNet, com baixo custo computacional, alta acurácia e baixo tempo de treinamento.