| |
| Acadêmico(a): Wesley Ramirez Volkmann |
| Título: Protótipo para a análise da maturação de melancias |
| |
| Conclusão: |
| Este trabalho apresentou o desenvolvimento de um protótipo para a plataforma desktop que por meio de métodos não invasivos partindo da imagem de uma melancia fornecida pelo usuário realiza a classificação da mesma empregando técnicas de aprendizagem de máquina para analisar a coloração da casca. Para tornar a utilização das técnicas de aprendizagem de máquina viável, fez-se necessário a criação de uma base de dados com imagens de melancia extraídas a partir de ambiente controlado criado especificamente para este propósito. O protótipo foi desenvolvido na IDE Visual Studio 2017 com a linguagem de programação C++. A interface foi construída com a biblioteca Windows Forms. Para aplicação dos métodos referentes ao processamento de imagens e técnicas de aprendizagem de máquina foi utilizada a biblioteca OpenCV. Os dados necessários para treinar os algoritmos de aprendizagem foram carregados através de um arquivo CSV. Entre os principais obstáculos encontrados ao realizar este trabalho pode-se mencionar a aquisição de exemplares variados de melancia. Ter um conjunto de exemplos variados com exemplares bem definidos em cada uma das categorias em que o protótipo realiza a classificação é de suma importância, possibilitando assim um treinamento mais robusto por parte dos algoritmos de aprendizagem de máquina. Como a aquisição dos exemplares de melancia não foi feita diretamente com o produtor e sim através de um centro de distribuição de alimentos, exemplos melancias muito imaturas ou extremamente maduras não se fazem presentes na base de dados. Outro empecilho para realização deste trabalho foi a definição dos níveis de maturação das características analisadas, os quais tiveram de ser criados sem a ajuda de um especialista da área, através da análise dos valores médios dos níveis de coloração da casca da melancia. Apesar de ter atingido todos os objetivos, o protótipo não teve um desempenho satisfatório, tendo uma taxa de assertividade geral de apenas 34,69%. Analisados separadamente o KNN e a árvore de decisão tiveram uma taxa de acerto de 28,57% e 42,85% respectivamente, níveis muito abaixo do ideal. Por fim, conclui-se que para tornar-se efetivo, o protótipo necessita da adição de exemplares mais variados a sua base de dados com intuito de refinar os níveis de maturação criados além de possibilitar a utilização de métodos de aprendizagem mais eficazes como por exemplo, uma rede neural artificial. Apesar não ter tido resultado esperado, o protótipo pode servir de base para futuros trabalhos relacionados analise do nível de maturação frutas. |
| |
|
