Classificação de batatas-doces através de técnicas de inteligência artificial

Abstract

Aplicações modernas que utilizam de métodos de Inteligência Artificial (IA) para resolver problemas em diferentes áreas de atuação tem se tornando cada vez mais comuns. Um uso muito popular desta tecnologia é no reconhecimento e classificação de imagens, onde técnicas de IA baseadas em Redes Neurais Convolucionais (CNN) podem apresentar ótimos resultados. Essas redes se baseiam na operação de convolução, sendo compostas por uma camada de entrada, uma camada de saída e diversas camadas ocultas, algumas das quais são convolucionais. Essa técnica tangibiliza o conceito de classificação de imagens que será utilizada neste trabalho com batata-doce brazilândia roxa. A batata-doce é uma cultura extremamente popular e cultivada no mundo todo. No entanto, sua comercialização é diretamente afetada pela sua aparência ao consumidor final, muitas vezes gerando desperdício pela falta de classificação qualitativa desses produtos pelos produtores. Estudos realizados pela Organização das Nações Unidas para a Alimentação e a Agricultura (FAO), estimam que 1,3 bilhões de toneladas de comida são desperdiçadas por ano, representando aproximadamente 30% de toda a comida produzida no planeta. Além disso, a crescente busca por uma economia circular e desenvolvimento sustentável vem sendo cada mais procurada, onde o que não é consumido como alimento para o ser humano possa servir como matéria-prima para outros fins, mantendo os materiais em ciclo produtivo. O objetivo deste trabalho é classificar imagens de batata-doce brazlândia roxa de forma qualitativa em relação a probabilidade de ser consumida, baseada em técnicas de visão computacional. Além disso, também são abordados os principais pontos e conceitos relacionados à identificação de imagens, etapas do processamento de imagens e rede neural. Para obter uma alta acurácia, avaliamos quatro modelos de redes neurais convolucionais treinadas com diferentes parâmetros de ajuste fino e aprendizagem de transferência. Os resultados experimentais mostram uma eficácia promissora dos modelos pré-treinados, resultando em uma acurácia de 90,14% com o modelo Xception. Logo, a aplicação de rede neural convolucional pode ser uma alternativa interessante para a classificação de imagens, o que permite contribuir para apoiar agricultores e comerciantes a reduzirem o desperdício de batatas-doces. Essa ferramenta integra um projeto maior voltado ao desenvolvimento de “Biorrefinarias Descentralizadas e Autônomas: um Modelo de Economia Circular, Verde e Digital”.

Modern applications that use Artificial Intelligence (AI) methods to solve problems in different areas of activity have become increasingly common. A very popular use of this technology is in the recognition and classification of images, where AI techniques based on Convolutional Neural Networks (CNN) can present excellent results. These networks are based on the convolution operation, being composed of an input layer, an output layer and several hidden layers, some of which are convolutional. This technique gives tangibility to the concept of image classification that will be used in this work with Brazilian sweet potato. Sweet potato is an extremely popular crop and is grown around the world. However, their commercialization is directly affected by their appearance to the final consumer, often generating waste due to the lack of qualitative classification of these products by the producers. Studies carried out by the Food and Agriculture Organization of the United Nations (FAO), estimate that 1.3 billion tons of food are wasted per year, representing approximately 30% of all food produced on the planet. In addition, the growing search for a circular economy and sustainable development has been increasingly sought after, where what is not consumed as food for humans can serve as raw material for other purposes, keeping the materials in a productive cycle. The objective of this work is to classify images of Brazilian sweet potato in a qualitative way in relation to the probability of being consumed, based on computer vision techniques. In addition, the main points and concepts related to image identification, image processing steps and neural networks are also addressed. To obtain high accuracy, we evaluated four models of convolutional neural networks trained with different parameters of fine-tuning and transfer learning. The experimental results show a promising efficacy of the pre-trained models, resulting in an accuracy of 90.14% with the Xception model. Therefore, the application of convolutional neural network can be an interesting alternative for the classification of images, which allows to contribute to support farmers and traders to reduce the waste of sweet potatoes. This tool is part of a larger project aimed at the development of “Decentralized and Autonomous Biorefineries: a Circular, Green and Digital Economy Model”.