Sistema inteligente para classificação automática de tabaco utilizando visão computacional e aprendizado de máquina
DOI:
https://doi.org/10.34117/bjdv12n7-021Keywords:
rede neural artificial, Inteligência Artificial, classificação automática, deep learning, classificação de produtos agrícolasAbstract
A cadeia produtiva do tabaco possui relevância econômica significativa no Brasil, país que se destaca como um dos maiores produtores e exportadores mundiais de tabaco em folha. Dentro dessa cadeia, a etapa de classificação dos fardos é determinante para definição de qualidade, padronização e precificação do produto. Entretanto, o processo tradicional de classificação é majoritariamente manual e baseado em critérios visuais subjetivos, como cor, textura e presença de defeitos, o que pode gerar divergências comerciais entre produtores e compradores. Desta forma, o objetivo do estudo é investigar a viabilidade técnica da automação do processo, analisando o desempenho dos modelos sob diferentes critérios de classificação humana e discutindo os impactos da variabilidade de rotulagem nos resultados obtidos. Este trabalho apresenta o desenvolvimento de um sistema inteligente para classificação automática de fardos de tabaco, utilizando técnicas de visão computacional, segmentação por cor, extração de características geométricas, cromáticas e de textura, além de modelos de aprendizado de máquina e deep learning. Foram avaliados modelos baseados em RNA, XGBoost e YOLOv11 no modo de classificação. Os resultados demonstram viabilidade técnica da abordagem, com acurácia de até 67% no melhor cenário experimental. Desta forma, conclui-se que o sistema proposto contribui para maior objetividade, rastreabilidade e transparência no processo de classificação, reduzindo subjetividade e conflitos comerciais.
References
AFUBRA – ASSOCIAÇÃO DOS FUMICULTORES DO BRASIL. Relatório anual da produção de tabaco no Brasil. Santa Cruz do Sul: Afubra, 2022.
BOCHKOVSKIY, A.; WANG, C.-Y.; LIAO, H.-Y. M. YOLOv4: Optimal speed and accuracy of object detection. arXiv preprint, 2020. DOI: https://doi.org/10.48550/arXiv.2004.10934
BREIMAN, L. Random forests. Machine Learning, v. 45, n. 1, p. 5–32, 2001. DOI: https://doi.org/10.1023/A:1010933404324
CHEN, H. et al. Classification and identification of agricultural products based on improved MobileNetV2. Scientific Reports, v. 14, 2024. DOI: https://doi.org/10.1038/s41598-024-53349-w
CHEN, T.; GUESTRIN, C. XGBoost: A scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York: ACM, 2016. p. 785–794. DOI: https://doi.org/10.1145/2939672.2939785
FAOSTAT. Food and Agriculture Organization of the United Nations. Agricultural production data. Rome, 2023. Disponível em: https://www.fao.org/faostat/
FRACAROLLI, J. A. et al. Computer vision applied to food and agricultural products. Revista Ciência Agronômica, v. 51, n. 5, p. 1-20, 2020. DOI: https://doi.org/10.5935/1806-6690.20200087
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep learning. Cambridge: MIT Press, 2016. Disponível em: http://www.deeplearningbook.org
GUNASEKARAN, S. Computer vision technology for food quality assurance. Trends in Food Science & Technology, v. 7, n. 8, p. 245-256, 1996. DOI: https://doi.org/10.1016/0924-2244(96)10028-5
HARALICK, R. M.; SHANMUGAM, K.; DINSTEIN, I. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, v. 3, n. 6, p. 610–621, 1973. DOI: https://doi.org/10.1109/TSMC.1973.4309314
HE, K. et al. Deep residual learning for image recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. p. 770–778. DOI: https://doi.org/10.1109/CVPR.2016.90
HE, Y. et al. Method for grade identification of tobacco based on machine vision. Transactions of the ASABE, v. 61, n. 5, p. 1487–1495, 2018. DOI: https://doi.org/10.13031/trans.12627
JAPKOWICZ, N.; STEPHEN, S. The class imbalance problem: A systematic study. Intelligent Data Analysis, v. 6, n. 5, p. 429–449, 2002. DOI: https://doi.org/10.3233/IDA-2002-6504
KAMILARIS, A.; PRENAFETA-BOLDÚ, F. X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, v. 147, p. 70–90, 2018. DOI: https://doi.org/10.1016/j.compag.2018.02.016
LIAKOS, K. G. et al. Machine learning in agriculture: A review. Sensors, v. 18, n. 8, p. 2674, 2018. DOI: https://doi.org/10.3390/s18082674
REDMON, J. et al. You Only Look Once: Unified, real-time object detection. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. p. 779–788. DOI: https://doi.org/10.1109/CVPR.2016.91
SHAMSHIRI, R. R. et al. Research and development in agricultural robotics: A perspective of digital farming. Computers and Electronics in Agriculture, v. 198, 2022. DOI: 10.25165/j.ijabe.20181104.4278
ULTRALYTICS. YOLOv11 documentation. 2024. Disponível em: https://docs.ultralytics.com
WORLD BANK. World development indicators: Agriculture. Washington, DC, 2021. Disponível em: https://data.worldbank.org/
WU, D.; SUN, D.-W. Colour measurements by computer vision for food quality control: A review. Trends in Food Science & Technology, v. 29, p. 5–20, 2012. DOI: https://doi.org/10.1016/j.tifs.2012.08.004
YIN, Y.; XIAO, Y.; YU, H. An image selection method for tobacco leave grading based on image information. Engineering in Agriculture, Environment and Food, v. 8, n. 3, p. 148–154, 2015. DOI: https://doi.org/10.1016/j.eaef.2015.01.005
ZHANG, F.; ZHANG, X. Classification and quality evaluation of tobacco leaves based on image processing and fuzzy comprehensive evaluation. Sensors, v. 11, n. 3, p. 2369–2384, 2011. DOI: https://doi.org/10.3390/s110302369
ZHU, H. et al. Intelligent agriculture: deep learning in UAV-based remote sensing imagery for crop diseases and pests detection. Frontiers in Plant Science, v. 15, 2024. DOI: https://doi.org/10.3389/fpls.2024.1435016
