Visão computacional aplicada a análise de frutos de C. Arabica
Data
2023-03-16
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal de Lavras
Resumo
At coffee research centers, various traits are phenotyped by researchers. Some of these traits are directly determined by fruit phenotyping, such as ripening. Fruit ripening is an important trait to measure, because it allows for cultivars release with different ripening cycles, which is essential for farmers as it allows for the scaling of production and maximization of efficiency and profitability. However, measuring this trait in breeding programs presents several challenges. This study was divided into three chapters that present a comprehensive evaluation of coffee fruit and aspects associated with the selection and evaluation of ripening in Coffea arabica. In the first chapter, coffee fruits obtained from a phenotyping platform were thoroughly evaluated, by examining their morphological and color characteristics using computer vision. To achieve it, a classification model based on convolutional neural networks was created to classify the different stages of ripening. In the second chapter, images were synthesized from the generated image dataset to train a computer vision model based on the YOLO neural network architecture for direct classification and detection of coffee fruits in numerous scenarios and environments. In chapter 3, the objective was to establish the ideal sample size for ripening fruit evaluation and to verify the associated errors in adopting each sample size, as well as to demonstrate that the K-means clustering method can be an alternative to assist researchers in making decisions about the constituent genotypes of the breeding population. Detailed analysis was conducted on fruits from 21 cultivars, providing valuable information to researchers about their morphological and color characteristics. A total of 36.879 images of coffee fruits at different ripening stages were created. The use of the YOLO architecture allows for the direct evaluation of coffee fruits in different scenarios and environments, reducing and facilitating the process of phenotyping the trait. It was found that samples larger than 500 ml of fruits demonstrate an excellent sample size, and the use of the Kmeans technique to group data into different ripening cycles can be an excellent alternative for researchers, allowing for precise and efficient analysis.
Nos centros de pesquisa de café, diversos caracteres são fenotipados pelos pesquisadores. Alguns deles são determinados diretamente pela fenotipagem dos frutos, como a maturação. A maturação dos frutos é um caráter importante de ser mensurado pois permite o lançamento de cultivares que apresentem diferentes ciclos de maturação, o que é fundamental para os produtores, uma vez que permite escalonar a produção e maximizar a eficiência e lucratividade. Contudo, nos programas de melhoramento a mensuração desse caráter possui diversas dificuldades. Este estudo foi dividido em três capítulos os quais apresentam uma avaliação ampla e profunda de frutos de café e de aspectos associados à seleção e avaliação da maturação em Coffea arabica. No capítulo um, frutos de café obtidos de uma plataforma de fenotipagem foram avaliados detalhadamente, examinando suas características morfológicas e de coloração com a utilização de visão computacional, para tanto foi necessário criar um modelo de classificação baseado em redes neurais convolucionais para classificação dos diferentes estágios de maturação. No capítulo dois, a partir do banco de imagens gerados, foi sintetizados imagens para o treinamento de um modelo de visão computacional baseado na arquitetura de redes neurais YOLO, para classificação e detecção de frutos de café em diversos cenários e ambientes. No capítulo três, o objetivo foi estabelecer o tamanho de amostra ideal na avaliação do caráter e verificar os erros associados em adotar cada tamanho, como também demonstrar que o método de agrupamento por meio de K-means pode ser uma alternativa para auxiliar os pesquisadores na tomada de decisão acerca dos genótipos constituintes da população de melhoramento. Analisou-se detalhadamente frutos de 21 cultivares, fornecendo valiosas informações para os pesquisadores sobre suas características morfológicas e de coloração, criou-se 36.879 imagens de frutos de café nos diferentes estágios de maturação. A utilização do modelo YOLO permite a avaliação de frutos de café em diferentes cenários e ambientes, reduzindo e facilitando o processo de fenotipagem do caráter. Verificou-se que amostras superiores a 500 ml de frutos demostra ser um excelente tamanho amostral e o uso do técnica de K-means para agrupar os dados nos diferentes ciclos de maturação pode ser uma excelente alternativa para os pesquisadores, permitindo uma análise e tomada de decisão precisa e eficiente.
Nos centros de pesquisa de café, diversos caracteres são fenotipados pelos pesquisadores. Alguns deles são determinados diretamente pela fenotipagem dos frutos, como a maturação. A maturação dos frutos é um caráter importante de ser mensurado pois permite o lançamento de cultivares que apresentem diferentes ciclos de maturação, o que é fundamental para os produtores, uma vez que permite escalonar a produção e maximizar a eficiência e lucratividade. Contudo, nos programas de melhoramento a mensuração desse caráter possui diversas dificuldades. Este estudo foi dividido em três capítulos os quais apresentam uma avaliação ampla e profunda de frutos de café e de aspectos associados à seleção e avaliação da maturação em Coffea arabica. No capítulo um, frutos de café obtidos de uma plataforma de fenotipagem foram avaliados detalhadamente, examinando suas características morfológicas e de coloração com a utilização de visão computacional, para tanto foi necessário criar um modelo de classificação baseado em redes neurais convolucionais para classificação dos diferentes estágios de maturação. No capítulo dois, a partir do banco de imagens gerados, foi sintetizados imagens para o treinamento de um modelo de visão computacional baseado na arquitetura de redes neurais YOLO, para classificação e detecção de frutos de café em diversos cenários e ambientes. No capítulo três, o objetivo foi estabelecer o tamanho de amostra ideal na avaliação do caráter e verificar os erros associados em adotar cada tamanho, como também demonstrar que o método de agrupamento por meio de K-means pode ser uma alternativa para auxiliar os pesquisadores na tomada de decisão acerca dos genótipos constituintes da população de melhoramento. Analisou-se detalhadamente frutos de 21 cultivares, fornecendo valiosas informações para os pesquisadores sobre suas características morfológicas e de coloração, criou-se 36.879 imagens de frutos de café nos diferentes estágios de maturação. A utilização do modelo YOLO permite a avaliação de frutos de café em diferentes cenários e ambientes, reduzindo e facilitando o processo de fenotipagem do caráter. Verificou-se que amostras superiores a 500 ml de frutos demostra ser um excelente tamanho amostral e o uso do técnica de K-means para agrupar os dados nos diferentes ciclos de maturação pode ser uma excelente alternativa para os pesquisadores, permitindo uma análise e tomada de decisão precisa e eficiente.
Descrição
Tese de Doutorado defendida na Universidade Federal de Lavras
Palavras-chave
Convolutional neural network, YOLO, Coffea, Breeding plants, phenotyping, Rede neurais convolucionais, YOLO, café, melhoramento genético, fenotipagem
Citação
BOTEGA, Gustavo Pucci. Visão computacional aplicada a análise de frutos de C. Arabica. 2023. 84p. Tese (Doutorado em Genética e Melhoramento de Plantas) - Universidade Federal de Lavras, Lavras, 2023.