CLASSIFICAÇÃO DE Phaseolus lunatus L. USANDO TÉCNICA DE ANÁLISE DE IMAGEM E MODELOS DE APRENDIZAGEM DE MÁQUINA

Autores

Palavras-chave:

Inteligência artificial. Processamento de imagens. Sementes.

Resumo

A análise de imagem associada com modelos de aprendizado de máquina pode ser uma excelente ferramenta de classificação para genótipos de fava, além de ser um sistema de baixo custo. A produção de feijão-fava é realizada por agricultores familiares, principalmente, nas regiões Nordeste e Sul do país, apresentando importância econômica e social. A avaliação e o conhecimento de caracteres qualitativos e quantitativos das sementes, permite a descrição e distinção de genótipos, permitindo a avaliação da variabilidade desta espécie, que é fundamental em um programa de melhoramento. O uso de análise de imagem é uma das ferramentas para obtenção de uma grande quantidade de informações de forma rápida e econômica. Com os avanços tecnológicos, e o uso cada vez mais comum de inteligência artificial, as técnicas de aprendizado de máquinas vêm sendo desenvolvidas e implementadas no setor agropecuário, permitindo que vários processos sejam automatizados. Diante do exposto, objetivou-se com esse trabalho, avaliar diferentes modelos de Machine Learning para classificar genótipos de fava, por meio de dados obtidos por análise de imagem. As imagens das sementes de fava, foram capturadas por um scanner de mesa, configurado no modo “true color”, adaptado de maneira invertida, dentro de uma caixa de alumínio, completamente fechada durante a captura da imagem, para ter iluminação adequada e eliminar ruídos do ambiente. Neste estudo foram usados os modelos de KNN, NB, LDA, SVM, GBM, BAGGING, CART, RF e C50. O modelo de LDA foi o que apresentou maior eficácia na classificação dos genótipos, com uma precisão de 90%.

Downloads

Não há dados estatísticos.

Referências

ABUD, H. F. et al. Image analysis of the seeds and seedlings of Vigna radiata L. Revista Ciência Agronômica, 53: 1-9, 2022.

ADVÍNCULA, T. L. et al. Qualidade física e fisiológica de sementes de Phaseolus lunatus L. Revista Brasileira de Ciências Agrárias, 10: 341-346, 2015.

ALMEIDA, R. C. et al. Árvore de decisão como ferramenta na classificação de acessos de feijão-fava. Revista Caatinga, 34: 471-478, 2021.

ALTUNTAS, Y; COMERT, Z; KOCAMAZ, A. F. Identification of haploid and diploid maize seeds using convolutional neural networks and a transfer learning approach. Computers and Electronics in Agriculture, 163: 1-11, 2019.

BAEK, J. et al. High throughput phenotyping for various traits on soybean seeds using image analysis. Sensors, 20: 1-9, 2020.

CARLEO, G. et al. Machine learning and the physical sciences. Reviews of Modern Physics, 91: 1-47, 2019.

CARMO, M. S. et al. Avaliação de acessos de feijão-fava, para resistência a Colletotrichum truncatum, em condições de folhas destacadas e campo. Summa Phytopathologica, 41: 292-297, 2015.

CUNHA, M. A; COSTA, S. M. F. Mapeamento da palmeira de açaí (Euterpe oleracea Mart.) na floresta Amazônica utilizando imagem de satélite de alta resolução espacial. Revista Espinhaço, 9: 40-49, 2020.

ELMASRY, G. et al. Utilization of computer vision and multispectral imaging techniques for classification of cowpea (Vigna unguiculata) seeds. Plant Methods, 15: 1-16, 2019.

HOLANDA, M. E. S. et al. Aplicação de aprendizado de máquina profundo para detecção por imagens de doenças em frutos do cacaueiro. International Journal of Development Research, 11: 47378-47384, 2021.

IBGE – Instituto Brasileiro de Geografia e Estatística. Produção de Fava. Disponível em: <https://www.ibge.gov.br/explica/producao-agropecuaria/fava/br>. Acesso em: 11 jun. 2020.

KAYABASI, A. et al. Automatic classification of agricultural grains: Comparison of neural networks. Neural Network World, 28: 213-224, 2018.

KOKLU, M.; SARIGIL, S.; OZBEK, O. The use of machine learning methods in classification of pumpkin seeds (Cucurbita pepo L.). Genetic Resources and Crop Evolution, 68: 2713-2726, 2021.

LIMA, L. F. et al. Manejo de recursos genéticos vegetais. Anais da Academia Pernambucana de Ciência Agronômica, 15: 109-126, 2018.

LODDO, A.; LODDO, M.; DI RUBERTO, C. A novel deep learning based approach for seed image classification and retrieval. Computers and Electronics in Agriculture, 187: 1-11, 2021.

MEDEIROS, A. D. et al. Interactive machine learning for soybean seed and seedling quality classification. Scientific reports, 10: 1-10, 2020a.

MEDEIROS, A. D. et al. Quality classification of Jatropha curcas seeds using radiographic images and machine learning. Industrial Crops and Products, 146, 1-7, 2020b.

MEDEIROS, A. D.; PEREIRA, M. D.; SILVA, J. A. Processamento digital de imagens na determinação do vigor de sementes de milho. Revista Brasileira de Ciências Agrárias, 13: 1-7, 2018.

MOREIRA, I. B. et al. Separation of coriander seeds by Red, Green and Blue image processing. Ciência Rural, 52: 1-7, 2022.

MORETI, M. P. et al. Inteligência Artificial no Agronegócio e os Desafios para a Proteção da Propriedade Intelectual. Cadernos de Prospecção, 14: 60-77, 2021.

PERINI, L. J. et al. Diversidade genética entre acessos de soja tipo alimento com base no algoritmo de Gower. Colloquium Agrariae, 14: 47-57, 2018.

PONCE, R. M. et al. Tamanho da semente e potencial fisiológico de trigo sarraceno. Revista Científica Rural, 21: 259-268, 2019.

RAMOS, J. L. C. et al. Um estudo comparativo de classificadores na previsão da evasão de alunos em EAD. In: VII CONGRESSO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO, 2018, Fortaleza. Anais... Porto Alegre: SBIE, 2018. p. 1463-1472.

REGO, C. H. Q. et al. Using multispectral imaging for detecting seed-borne fungi in cowpea. Agriculture, 10: 1-12, 2020.

SILVA, W. I.; DULTRA FILHO, J. A. Avaliação de caracteres agronômicos e genéticos em acessos de feijão fava no município de Pombal, no semiárido paraibano. In: XV CONGRESSO DE INICIAÇÃO CIENTÍFICA DA UNIVERSIDADE FEDERAL DE CAMPINA GRANDE, 2018, Campina Grande. Anais... Campina Grande: XV CICUFCG, 2018. p. 1-5.

SOARES, L. A. C. Conservação on farm e avaliação agronômica de variedades crioulas de feijão-fava. 2018. 94 f. Dissertação (Mestrado em Agronomia: Área de concentração: Agricultura Tropical) - Universidade Federal do Piauí, Teresina, 2018.

SOUSA, C. A. F. et al. Nova abordagem para a fenotipagem de plantas: conceitos, ferramentas e perspectivas. Revista Brasileira de Geografia Física, 8: 660-672, 2015.

SOYEURT, H. et al. A comparison of 4 different machine learning algorithms to predict lactoferrin content in bovine milk from mid-infrared spectra. Journal of dairy science, 103: 11585-11596, 2020.

TORRES, G. X. Diversidade genética em população segregante de Passiflora via características de sementes. 2018. 82 f. Dissertação (Mestrado em Produção vegetal) – Universidade Estadual do Norte Fluminense, Rio de Janeiro, 2018.

VASCONCELOS, M. C. et al. Radiography and biometric analysis of broadleaf vegetable seeds. Revista de Ciências Agrárias, 61: 1-9, 2018.

WANG, J. et al. Theta-modulated generation of chromatic orbital angular momentum beams from a white-light source. Optics Express, 24: 1-6, 2016.

WANG, T. et al. A feasible image-based colorimetric assay using a smartphone RGB camera for point-of-care monitoring of diabetes. Talanta, 206: 1-5, 2020.

Downloads

Publicado

20-09-2022

Edição

Seção

Agronomia