Classification of strawberry ripeness from images using supervised classifiers and convolutional networks as feature extractors
Year: 2024
Type: dissertation
Abstract: Nos últimos anos, técnicas de Aprendizado de Máquina e Aprendizado Profundo têm sido aplicadas na pesquisa de morangos. Atualmente, identificar a maturidade dos morangos de forma eficiente e precisa é um desafio devido aos métodos tradicionais, que são baseadas na aparência ou composição química da fruta, serem caros e demorados. A classificação automática de morangos pode oferecer aos agricultores uma maneira mais precisa de avaliar a qualidade dos frutos. Este trabalho propõe a análise da eficiência de diferentes combinações de modelos supervisionados e Redes Neurais Convolucionais (CNNs) para classificar a maturidade dos morangos. Foram testadas 71 CNNs para extração de características das imagens, seguidas por uma redução de dimensionalidade com PCA e a aplicação de dez classificadores. Os melhores resultados foram obtidos com as CNNs da família ConvNeXt (ConvNeXtBase, ConvNeXtSmall e ConvNeXtTiny) e VGG (VGG16 e VGG19) em combinação com os classificadores Gradient Boosting, Histogram Based Gradient Boosting e SVM, alcançando acurácia acima de 72% e F1-Score acima de 78%. As combinações testadas demonstraram ser eficientes, proporcionando uma solução viável para a classificação precisa da maturidade dos morangos, potencialmente beneficiando os agricultores com uma ferramenta mais eficaz e menos custosa.
Author: Hamaguti, Érika Kayoko [UNESP]
Language: Portuguese
Topic: Smart Agriculture and AI
Subfield: Plant Science
Domain: Life Sciences
SDG: Zero hunger
Open Access status: green
OpenAlex ID: W7120502468