Classificação da qualidade de amêndoas de cacau utilizando redes neurais convolucionais

Abstract

RESUMO: Diante da necessidade de avanços tecnológicos no setor cacaueiro e da importância de padronização da análise de qualidade física das amêndoas de cacau, devido à complexidade da técnica, este trabalho, inspirado em desenvolver uma ferramenta de classificação eficiente, propõe a construção de uma rede neural convolucional para a classificação das amêndoas de cacau por classes, através de imagens digitais, já que essas redes possuem uma alta capacidade e desempenho ao classificar imagens de forma precisa. Para isso, foi construído um banco de imagens composto por cinco classes, buscando o sucesso no resultado da acurácia e no desempenho regido pelas métricas de precisão, revocação, pontuação F1 e suporte. Além disso, com o objetivo de compreender a interferência que um modelo pré-treinado pode exercer nos resultados de classificação de uma rede neural convolucional, foram implementadas três redes, sendo uma com o MobileNetV2, outra com o ResNet101V2 e mais uma sem um modelo pré-treinado. Ademais, para comparar o desempenho dessas redes, elas foram aplicadas a um segundo banco de imagens pré-existente. Com a finalidade de analisar os resultados do desempenho da rede de forma visual, gráficos e matrizes de confusão foram gerados para melhor interpretação das apurações. Por fim, para provar a rede em tempo real foi desenvolvido um código de segmentação baseado no método de Otsu para identificar as amêndoas a partir da limiarização da imagem, a fim de classificá-la de acordo com a rede treinada. Como resultado final, a rede principal aplicada obteve um bom desempenho, com 67,14% de acurácia, além de uma pontuação F1 de 0,81 para as classes Branca e Defeituosa, 0,60 para a Marrom, 0,49 para a Parcialmente marrom e 0,78 para a Violeta, permitindo assim, a aplicação futura da rede em aplicativos de dispositivos móveis de uso geral.

ABSTRACT: In light of the necessity for technological advancements within the cocoa sector and recognizing the significance of standardizing the analysis of cocoa bean’s physical quality, given the complexity of the technique, this work is inspired to create an efficient classification tool. The proposal involves constructing a convolutional neural network specifically designed for categorizing cocoa beans into classes using digital images. These networks have demonstrated exceptional capability and performance in accurately classifying images. To achieve this, an image database was created consisting of five classes, aiming for success in accuracy results and performance governed by precision, recall, F1 score, and support metrics. Additionally, to understand the interference that a pre-trained model can have on the classification results of a convolutional neural network, three networks were implemented—one with MobileNetV2, another with ResNet101V2, and a third without a pre-trained model. Furthermore, to compare the performance of these networks, they were applied to a second pre-existing image database. To visually analyze the performance results of the network, graphs and confusion matrices were generated for better interpretation of the findings. Finally, to test the network in real-time, a segmentation code based on the Otsu method was developed to identify the almonds by thresholding the image, in order to classify it according to the trained network. As a final result, the applied main network performed well, achieving 67.14% accuracy, along with an F1 score of 0.81 for the White and Defective classes, 0.60 for the Brown class, 0.49 for the Partially Brown class, and 0.78 for the Violet class. This allows for the future application of the network in general-purpose mobile device applications.