Sistema de Classificação de Bananas em Canal Duplo Baseado em Aprendizado Profundo Usando Rede Neural Convolucional

O aprendizado profundo foi recentemente aclamado como a tecnologia de visão computacional mais avançada para classificação de imagens. A invenção da rede neural convolucional (CNN) simplificou o esforço de engenharia de características. A classificação de vários estágios de maturidade da fruta usando algoritmos de aprendizado de máquina é uma tarefa difícil, uma vez que é complicado distinguir as características visuais das frutas em diferentes estágios de maturidade. A maturidade da fruta é crítica na agricultura, pois impacta a qualidade da fruta. Determinar manualmente a maturidade da fruta apresenta várias falhas, incluindo o fato de que leva muito tempo, requer muita mão de obra e pode levar a inconsistências. Nos países em desenvolvimento, a agricultura é um dos setores econômicos mais importantes. O sistema criado pode ser empregado na indústria de processamento de alimentos, em aplicações da vida real onde a precisão, custo e velocidade do sistema inteligente melhorarão a taxa de produção e permitirão satisfazer a demanda do consumidor. Com um pequeno número de amostras de imagem, o sistema é capaz de automatizar o trabalho relacionado à linha de montagem para classificar bananas com uma precisão geral suficiente. O método não invasivo também será utilizado para classificar outras frutas agrupadas ou culturas hortícolas no futuro. O sistema pode substituir ou auxiliar operadores humanos que podem concentrar seus esforços na seleção de frutas. Os méritos combinados de RGB e HSI (imagem hiperespectral) para classificação de bananas foram destacados no presente estudo; eles têm aplicação potencial como um modelo para a classificação de vários tipos de produtos hortícolas. O tempo de processamento rápido do modelo de múltiplas entradas pode ser uma técnica útil e prática no campo agrícola durante os procedimentos pós-colheita. Através de uma combinação de CNN e MLP aplicada a dados coletados usando RGB e imagem hiperespectral, o modelo de múltiplas entradas reconhece de forma confiável as bananas com um nível de precisão de 98,4% e uma pontuação F1 de 0,97. O algoritmo de IA previu o tamanho (grande, médio e microscópico) e a perspectiva (metade frontal ou traseira) das classes de banana com 99% de precisão. Em comparação com estudos anteriores que utilizaram apenas imagem RGB, o modelo apresentado revelou o valor de integrar abordagens de imagem RGB e HSI.