Biblioteca do Café

URI permanente desta comunidadehttps://thoth.dti.ufv.br/handle/123456789/1

Navegar

Filtros

2020 - 20232

Configurações

Assunto: search.filters.subject.Image processing

Resultados da Pesquisa

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Visão computacional para classificar a maturação dos frutos de café no processo de colheita mecanizada
    (Universidade Federal de Lavras, 2023-04-28) Zanella, Marco Antonio; Silva, Fábio Moreira da
    O café é um dos produtos agrícolas mais comercializados e consumidos no mundo, fundamental para o desenvolvimento socioeconômico do Brasil. A colheita do café é um processo essencial na cadeia produtiva e, corresponde por aproximadamente metade dos custos totais de produção. Nesse sentido, esta pesquisa teve como objetivo classificar frutos de café quanto ao grau de maturação durante o processo de colheita mecanizada utilizando técnicas de visão computacional. Vídeos dos frutos de café colhidos foram obtidos durante o processo de colheita mecanizada na safra de 2022. A coleta de dados ocorreu sobre a espécie arábica, variedade Bourbon Amarelo, cultivada na Fazenda Cafua no município de Ijaci, localizada na região Sul de Minas Gerais. Para a coleta de imagens, foi desenvolvido um dispositivo instalado sobre a esteira transversal da colhedora, com acoplamento de uma câmera em um suporte para reduzir os efeitos da vibração da colhedora de café e com um sistema iluminação por led para a iluminação dos frutos durante a obtenção dos vídeos. Para o processamento das imagens coletadas foram realizadas duas abordagens, (i) com o desenvolvimento de um algoritmo utilizando técnicas de visão computacional e (ii) utilizando um algoritmo de detecção de objetos de última geração o YOLOv7. O algoritmo de visão computacional foi capaz de detectar e classificar frutos de café de acordo com os seguintes graus de maturação: não maduro e maduro. A precisão média para as classes de maturação do café não maduro e maduro foi de 72% e 70%. Com algoritmo não foi possível classificar os frutos da classe demasiado maduro. O algoritmo de detecção de objetos denominado YOLOv7 foi implementado para a detecção e classificação dos frutos de café em três classes: não maduro, maduro e demasiado maduro. A rede YOLOv7 apresentou capacidade superior com valores de F1-score de 90%, 95% e 75% para as classes não maduro, maduro e demasiado maduro, respectivamente. Com a classificação da maturação dos frutos de café colhidos é possível obter um índice de maturação dos frutos durante o processo de colheita mecanizada. Além disso, os resultados desse estudo podem contribuir para o desenvolvimento de sistema embarcado para ser utilizado na coleta de dados durante a colheita mecanizada do café.
  • Imagem de Miniatura
    Item
    Quality assessment of coffee beans through computer vision and machine learning algorithms
    (Editora UFLA, 2020) Santos, Fernando Ferreira Lima dos; Rosas, Jorge Tadeu Fim; Martins, Rodrigo Nogueira; Araújo, Guilherme de Moura; Viana, Lucas de Arruda; Gonçalves, Juliano de Paula
    The increasing market interest in coffee beverage, lead coffee growers around the world to adopt more efficient methods to select the best-quality coffee beans. Currently, coffee beans selection is carried out either manually, which is a costly and unreliable process, or using electronic sorting machines, which are often inefficient because some coffee beans defects, such as sour and immature beans, have similar spectral response patterns. In this sense, the present work aimed to analyze the importance of shape and color features for different machine learning techniques, such as Support Vector Machine (SVM), Deep Neural Network (DNN) and Random Forest (RF), to assess coffee beans’ defects. For this purpose, an algorithm written in Python language was used to extract shape and color features from coffee beans images. The dataset obtained was then used as input to the machine learning algorithms, developed using Python and R programing languages. The data reported in this study pointed to the importance of color descriptors for classifying coffee beans defects. Among the variables used, the components Gmean from RGB (Red, Green and Blue) color space and Vmean from HSV (Hue, Saturation and Value) color space were some of the most relevant features for the classification models. The results reported in this study indicate that all the classifier models presented similar performance. In addition, computer vision along with machine learning algorithms can be used to classify coffee beans with a very high accuracy (> 88%).