Classificação de grãos de café usando visão computacional

Abstract

RESUMO: O mercado cafeeiro caracteriza-se por um conjunto de atividades de enorme complexidade, dinamismo e um nível crescente de exigência dos consumidores quanto à qualidade dos grãos produzidos. Isso impõe um alto controle de qualidade aos países produtores, consumidores e exportadores. Atualmente, um dos grandes fatores responsáveis pela qualidade e pelo valor do café brasileiro é a classificação manual dos grãos, ou seja, aquela em que uma pessoa exerce o papel de um classificador treinado (certificado) para qualificar amostras de café. O processo atual de classificação sofre com a subjetividade e experiência de cada classificador, além de fatores ambientais inerentes ao local de trabalho, como iluminação e ergonomia, tornando a padronização um grande desafio. Diante deste cenário, o presente trabalho propõe desenvolver um sistema para classificar amostras de café considerando os defeitos contidos na Tabela de Classificação Oficial Brasileira (COB). O sistema é baseado na rede neural artificial YOLO, configurada para identificar e contar tipos de defeitos e, a partir dessa contagem, classificar a que tipo de café cada amostra pertence. Dentre os benefícios da automatização do processo de classificação de café destacam-se: a redução de custos, a agilidade e a padronização da classificação.

ABSTRACT: The coffee market is characterized by a set of activities of enormous complexity, dynamism, and an increasing level of demand from consumers regarding the quality of the beans produced. This imposes high quality control on producing, consuming, and exporting countries. Currently, one of the major factors responsible for the quality and value of Brazilian coffee is the manual classification of beans, that is, in which a person plays the role of a trained (certified) classifier to qualify coffee samples. The current classification process suffers from the subjectivity and experience of each classifier, in addition to environmental factors inherent to the workplace, such as lighting and ergonomics, making standardization a major challenge. Given this scenario, the present work proposes a system to classify coffee samples considering the defects listed in the Official Brazilian Classification Table (COB). The system will have a core based on the YOLO artificial neural network, configured to identify, count types of defects and based on this count, classify which type of coffee each sample belongs to. Among the benefits of automating the coffee classification process, the following stand out: cost reduction, agility, and standardization of classification.