Classificação de imagens de grãos ardidos de milho por análise de cor e textura

Abstract

Resumo: Com o constante aumento no volume de produção e exportação de milho, torna-se cada vez maior a necessidade de transformação digital e automatização das operações realizadas nesse contexto. A utilização de artefatos tecnológicos é de fundamental importância para as empresas do agronegócio que comercializam grãos de milho, uma vez que proporcionam maior controle, agilidade, eficácia e segurança nos procedimentos. Embora operações automáticas estejam presentes na maior parte do cenário, algumas atividades ainda são executadas de forma manual, como o processo de classificação de grãos ardidos contidos nas amostras de milho que são comercializadas. A classificação visa analisar a qualidade e características dos grãos de acordo com um padrão comercial estabelecido pela empresa compradora desse cereal. De acordo com as características identificadas, a negociação pode sofrer alterações de preço ou até mesmo ser rejeitada. Logo, a correta classificação dos grãos é fundamental para aumentar a rentabilidade e qualidade do milho comercializado pelas empresas. Assim sendo, o presente trabalho tem como objetivo apresentar uma metodologia para estimar automaticamente a faixa percentual de grãos ardidos a partir da análise global de imagens de amostras de grãos de milho. Para se aproximar da análise realizada atualmente pelas empresas, os percentuais de grãos ardidos nas imagens capturadas foram estabelecidos de acordo com o peso proporcional desses elementos na amostra e não pela contagem dos grãos. Nesta metodologia, as imagens são adquiridas seguindo uma padronização de captura. Em seguida, são calculados histogramas de descritores de cor e textura para caracterizar as imagens de entrada. Tais histogramas são submetidos a classificadores supervisionados para se estimar a faixa percentual de grãos ardidos. Foram testados diversos classificadores (classificador de distância ao protótipo, SVM, Naive Bayes e Árvore de Decisão) para categorizar as faixas percentuais de grãos ardidos. Nestes testes, o classificador SVM aprimorado por uma técnica de boosting (AdaBoost) obteve acurácia média de até 99,97%.

Abstrat: Due to the constant increase in corn production and exportation volume, it becomes necessary a digital transformation and tasks automatization in this scenario. The technological artifacts are an important tool for agribusiness companies, once they can improve the controls, agility, efficacy and safety of the procedures. Although automatic operations are frequently used, some activities are still executed manually, such as the rot corn grains classification process. The classification aims to analyze the quality and characteristics of the grains according to a predefined commercial pattern, which are established by the companies that commercialize this cereal. According to the identified characteristics, the negotiation might be affected by price reduction or rejection. Therefore, performing the classification properly is essential to increase the profitability and quality of the corn sold by the companies. Thus, this work aims to introduce a methodology for automatic estimation of percentual range of rot grains by global image analysis of corn grain samples. To be closer to the real process, we diversified the rot percentage inside the images samples by weighing the grains instead of counting it. In this methodology, the images were collected by following a capturing pattern. Next, histograms of color and texture descriptors were computed to characterize the input images. Such histograms were submitted to supervised classifiers to estimate the corn grains percentual range. Several classifiers were tested (minimum distance classifier, SVM, Naïve Bayes and Decision Tree) to categorize the corn grains percentual range. In these tests, SVM classifier improved by a boosting technique (AdaBoost) achieved an average accuracy up to 99.97%.