SlideShare uma empresa Scribd logo
Uso de redes neurais na
classificação de frutas
Romualdo André da Costa
Introdução
● Maiores produtores mundiais de frutas:
1)China
2)Índia
3)Brasil
Introdução
● Desperdício de 20% segundo a IBRAF.
● Segundo a FAO 1,3 bi de ton. de alimentos
são desperdiçados no mundo
Introdução
● Classificação das frutas
– Maturação, qualidade, variedade
● Substituir a classificação manual
– Fatores subjetivos
● Técnicas destrutivas e não destrutivas
● Redes Neurais Artificiais em diversas
topologias.
Seleção de tomates para processamento industrial
por meio de redes neurais aplicadas em sistema de
visão computacional (Denis, C. e Assis, W., 2007)
● Matlab®
● 10 tomates de cada classificação
● Entrada: Cores no padrão La*b*
● L (brilho, preto até branco), a* (verde até
vermelho) e b* (amarelo até azul)
● Camada interna: 5 neurônios
● Saída: pintando, colorido e vermelho
● 10000 épocas
● EQM: 1.52726x10-12
Classificação de laranjas baseada em padrões
visuais (da Silva Simões, A. e Costa, A. H. R., 2003)
● Fatores de iluminação interferem
● RNA para determinar o vetor de cores
● Fuzzy C-means para criar a classificação
● Acerto de 100% e rejeição de frutas fora do
padrão.
Classificação de laranjas baseada em padrões
visuais (da Silva Simões, A. e Costa, A. H. R., 2003)
Application of neural networks to the color grading of
apples (Nakano, K., 1997)
● 9 características de cor da fruta
● RNA 1:
– pixel da imagem
● RNA 2:
– qualidade da fruta
● 5 categorias: AA, A, B, C, D
● A 33%, AA 92%, B 65%,C 87,2%,D 75%
Application of neural networks to the color grading of
apples (Nakano, K., 1997)
Classification of three varieties of peach fruit using
artificial neural network assisted with image
processing techniques (Alipasand, A., Ghaffari, H. e
Alibeygl, S. Z.,2013)
● Matlab®
● Características de cor e forma
● 70% treino, 20% validação e 10% teste
● Algoritmo de Levenberg-Marquardt e
função de ativação tangente sigmoide
● 94,1% e 98,5% para frutas maduras e
verdes
Classification of three varieties of peach fruit using
artificial neural network assisted with image
processing techniques (Alipasand, A., Ghaffari, H. e
Alibeygl, S. Z.,2013)
Análise de Qualidade de Frutas por imagens
multiespectrais (Rodrigues, J. C., Lavoier Filho, J. M.
e de Castro Jorge, L. A., 2013)
● Java Advanced Image API (JAI)
● Waikato Environment Analysis (WEKA) para redes
neurais
● CIE La*b*
● Espectro R (vermelho), G (verde) e IR
(infravermelho)
● O uso de Infravermelho possibilitou medir a região
com mais água e assim o grau de maturação da
fruta
Análise de Qualidade de Frutas por imagens
multiespectrais (Rodrigues, J. C., Lavoier Filho, J. M.
e de Castro Jorge, L. A., 2013)
Development of a Neural Network Classifier for Date
Fruit Varieties Using Some Physical Attributes
(Hobani, A. I., Thottam, A. M., & Ahmed, K. A., 2003)
● A qualidade das tâmaras é melhor medida pela forma,
tamanho e cor
● Quantidade de água
● 100 de cada variedade
● 70% treinamento e 30% teste
● NeuroSolutions
● RNA comparada com análise discriminantes linear no
SPSS.
● 99,6% de acerto na RNA e 99,4% no SPSS.
Development of a Neural Network Classifier for Date
Fruit Varieties Using Some Physical Attributes
(Hobani, A. I., Thottam, A. M., & Ahmed, K. A., 2003)
Neural Network Model for Predicting and Classifying Exotic
Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria,
H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011)
Mangostão
Durião
● Para o durião:
– melhor rede foi com 10 camadas escondidas
5000 iterações e EQM 0.003.
– O acerto foi de 79% para frutas inteiras e 71%
para defeituosas.
– Exatidão 94% para a fruta parcialmente
madura, 82% totalmente madura, 100%
amadurecida e 60% muito amadurecida.
Neural Network Model for Predicting and Classifying Exotic
Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria,
H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011)
● Para o mangostão:
– 3 RNA
– frutas inteiras das defeituosas, maturidade e doçura
– 9 neurônios na camada escondida, 25000 iterações,
80% frutas inteiras e 100% defeituosas.
– 21 neurônios na camada escondida 100% para as
classes 0, 1, 2 e 4 e 33,3% para classe 3.
– 10 neurônios na camada escondida e EQM 0.003.
Classe não doce 100%, muito doce 66,7% e doce
93.8%.
Neural Network Model for Predicting and Classifying Exotic
Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria,
H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011)

Mais conteúdo relacionado

Mais de Romualdo Andre

Angular 2 Básico
Angular 2 BásicoAngular 2 Básico
Angular 2 Básico
Romualdo Andre
 
Codelab: TypeScript
Codelab: TypeScriptCodelab: TypeScript
Codelab: TypeScript
Romualdo Andre
 
Introdução JavaScript e DOM 2016
Introdução JavaScript e DOM 2016Introdução JavaScript e DOM 2016
Introdução JavaScript e DOM 2016
Romualdo Andre
 
Facilite a vida com guava
Facilite a vida com guavaFacilite a vida com guava
Facilite a vida com guava
Romualdo Andre
 
Web, híbrido, cross compiled ou nativo: qual escolher?
Web, híbrido, cross compiled ou nativo: qual escolher?Web, híbrido, cross compiled ou nativo: qual escolher?
Web, híbrido, cross compiled ou nativo: qual escolher?
Romualdo Andre
 
Android Studio: Primeiros Passos
Android Studio: Primeiros PassosAndroid Studio: Primeiros Passos
Android Studio: Primeiros Passos
Romualdo Andre
 
Introdução JavaScript e DOM
Introdução JavaScript e DOMIntrodução JavaScript e DOM
Introdução JavaScript e DOM
Romualdo Andre
 
Corrigindo o vestibular com Python e OpenCV
Corrigindo o vestibular com Python e OpenCVCorrigindo o vestibular com Python e OpenCV
Corrigindo o vestibular com Python e OpenCV
Romualdo Andre
 
O programador e o super carro
O programador e o super carroO programador e o super carro
O programador e o super carro
Romualdo Andre
 
Identificação de grupos de estudantes no Prosel usando Mapas de Kohonen
Identificação de grupos de estudantes no Prosel usando Mapas de KohonenIdentificação de grupos de estudantes no Prosel usando Mapas de Kohonen
Identificação de grupos de estudantes no Prosel usando Mapas de Kohonen
Romualdo Andre
 
Exercício 2: Aplicações de Algoritmos Evolutivos
Exercício 2: Aplicações de Algoritmos EvolutivosExercício 2: Aplicações de Algoritmos Evolutivos
Exercício 2: Aplicações de Algoritmos Evolutivos
Romualdo Andre
 
Introdução ao JavaScript e DOM
Introdução ao JavaScript e DOMIntrodução ao JavaScript e DOM
Introdução ao JavaScript e DOM
Romualdo Andre
 
Introdução ao XML
Introdução ao XMLIntrodução ao XML
Introdução ao XML
Romualdo Andre
 

Mais de Romualdo Andre (13)

Angular 2 Básico
Angular 2 BásicoAngular 2 Básico
Angular 2 Básico
 
Codelab: TypeScript
Codelab: TypeScriptCodelab: TypeScript
Codelab: TypeScript
 
Introdução JavaScript e DOM 2016
Introdução JavaScript e DOM 2016Introdução JavaScript e DOM 2016
Introdução JavaScript e DOM 2016
 
Facilite a vida com guava
Facilite a vida com guavaFacilite a vida com guava
Facilite a vida com guava
 
Web, híbrido, cross compiled ou nativo: qual escolher?
Web, híbrido, cross compiled ou nativo: qual escolher?Web, híbrido, cross compiled ou nativo: qual escolher?
Web, híbrido, cross compiled ou nativo: qual escolher?
 
Android Studio: Primeiros Passos
Android Studio: Primeiros PassosAndroid Studio: Primeiros Passos
Android Studio: Primeiros Passos
 
Introdução JavaScript e DOM
Introdução JavaScript e DOMIntrodução JavaScript e DOM
Introdução JavaScript e DOM
 
Corrigindo o vestibular com Python e OpenCV
Corrigindo o vestibular com Python e OpenCVCorrigindo o vestibular com Python e OpenCV
Corrigindo o vestibular com Python e OpenCV
 
O programador e o super carro
O programador e o super carroO programador e o super carro
O programador e o super carro
 
Identificação de grupos de estudantes no Prosel usando Mapas de Kohonen
Identificação de grupos de estudantes no Prosel usando Mapas de KohonenIdentificação de grupos de estudantes no Prosel usando Mapas de Kohonen
Identificação de grupos de estudantes no Prosel usando Mapas de Kohonen
 
Exercício 2: Aplicações de Algoritmos Evolutivos
Exercício 2: Aplicações de Algoritmos EvolutivosExercício 2: Aplicações de Algoritmos Evolutivos
Exercício 2: Aplicações de Algoritmos Evolutivos
 
Introdução ao JavaScript e DOM
Introdução ao JavaScript e DOMIntrodução ao JavaScript e DOM
Introdução ao JavaScript e DOM
 
Introdução ao XML
Introdução ao XMLIntrodução ao XML
Introdução ao XML
 

Último

PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...
PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...
PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...
Faga1939
 
TOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdf
TOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdfTOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdf
TOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdf
Momento da Informática
 
Segurança Digital Pessoal e Boas Práticas
Segurança Digital Pessoal e Boas PráticasSegurança Digital Pessoal e Boas Práticas
Segurança Digital Pessoal e Boas Práticas
Danilo Pinotti
 
Certificado Jornada Python Da Hashtag.pdf
Certificado Jornada Python Da Hashtag.pdfCertificado Jornada Python Da Hashtag.pdf
Certificado Jornada Python Da Hashtag.pdf
joaovmp3
 
Logica de Progamacao - Aula (1) (1).pptx
Logica de Progamacao - Aula (1) (1).pptxLogica de Progamacao - Aula (1) (1).pptx
Logica de Progamacao - Aula (1) (1).pptx
Momento da Informática
 
Manual-de-Credenciamento ANATER 2023.pdf
Manual-de-Credenciamento ANATER 2023.pdfManual-de-Credenciamento ANATER 2023.pdf
Manual-de-Credenciamento ANATER 2023.pdf
WELITONNOGUEIRA3
 
História da Rádio- 1936-1970 século XIX .2.pptx
História da Rádio- 1936-1970 século XIX   .2.pptxHistória da Rádio- 1936-1970 século XIX   .2.pptx
História da Rádio- 1936-1970 século XIX .2.pptx
TomasSousa7
 
DESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdf
DESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdfDESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdf
DESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdf
Momento da Informática
 

Último (8)

PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...
PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...
PRODUÇÃO E CONSUMO DE ENERGIA DA PRÉ-HISTÓRIA À ERA CONTEMPORÂNEA E SUA EVOLU...
 
TOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdf
TOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdfTOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdf
TOO - TÉCNICAS DE ORIENTAÇÃO A OBJETOS aula 1.pdf
 
Segurança Digital Pessoal e Boas Práticas
Segurança Digital Pessoal e Boas PráticasSegurança Digital Pessoal e Boas Práticas
Segurança Digital Pessoal e Boas Práticas
 
Certificado Jornada Python Da Hashtag.pdf
Certificado Jornada Python Da Hashtag.pdfCertificado Jornada Python Da Hashtag.pdf
Certificado Jornada Python Da Hashtag.pdf
 
Logica de Progamacao - Aula (1) (1).pptx
Logica de Progamacao - Aula (1) (1).pptxLogica de Progamacao - Aula (1) (1).pptx
Logica de Progamacao - Aula (1) (1).pptx
 
Manual-de-Credenciamento ANATER 2023.pdf
Manual-de-Credenciamento ANATER 2023.pdfManual-de-Credenciamento ANATER 2023.pdf
Manual-de-Credenciamento ANATER 2023.pdf
 
História da Rádio- 1936-1970 século XIX .2.pptx
História da Rádio- 1936-1970 século XIX   .2.pptxHistória da Rádio- 1936-1970 século XIX   .2.pptx
História da Rádio- 1936-1970 século XIX .2.pptx
 
DESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdf
DESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdfDESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdf
DESENVOLVIMENTO DE SOFTWARE I_aula1-2.pdf
 

Uso de redes neurais na classificação de frutas

  • 1. Uso de redes neurais na classificação de frutas Romualdo André da Costa
  • 2. Introdução ● Maiores produtores mundiais de frutas: 1)China 2)Índia 3)Brasil
  • 3. Introdução ● Desperdício de 20% segundo a IBRAF. ● Segundo a FAO 1,3 bi de ton. de alimentos são desperdiçados no mundo
  • 4. Introdução ● Classificação das frutas – Maturação, qualidade, variedade ● Substituir a classificação manual – Fatores subjetivos ● Técnicas destrutivas e não destrutivas ● Redes Neurais Artificiais em diversas topologias.
  • 5. Seleção de tomates para processamento industrial por meio de redes neurais aplicadas em sistema de visão computacional (Denis, C. e Assis, W., 2007)
  • 6. ● Matlab® ● 10 tomates de cada classificação ● Entrada: Cores no padrão La*b* ● L (brilho, preto até branco), a* (verde até vermelho) e b* (amarelo até azul) ● Camada interna: 5 neurônios ● Saída: pintando, colorido e vermelho ● 10000 épocas ● EQM: 1.52726x10-12
  • 7. Classificação de laranjas baseada em padrões visuais (da Silva Simões, A. e Costa, A. H. R., 2003)
  • 8. ● Fatores de iluminação interferem ● RNA para determinar o vetor de cores ● Fuzzy C-means para criar a classificação ● Acerto de 100% e rejeição de frutas fora do padrão. Classificação de laranjas baseada em padrões visuais (da Silva Simões, A. e Costa, A. H. R., 2003)
  • 9. Application of neural networks to the color grading of apples (Nakano, K., 1997)
  • 10. ● 9 características de cor da fruta ● RNA 1: – pixel da imagem ● RNA 2: – qualidade da fruta ● 5 categorias: AA, A, B, C, D ● A 33%, AA 92%, B 65%,C 87,2%,D 75% Application of neural networks to the color grading of apples (Nakano, K., 1997)
  • 11. Classification of three varieties of peach fruit using artificial neural network assisted with image processing techniques (Alipasand, A., Ghaffari, H. e Alibeygl, S. Z.,2013)
  • 12. ● Matlab® ● Características de cor e forma ● 70% treino, 20% validação e 10% teste ● Algoritmo de Levenberg-Marquardt e função de ativação tangente sigmoide ● 94,1% e 98,5% para frutas maduras e verdes Classification of three varieties of peach fruit using artificial neural network assisted with image processing techniques (Alipasand, A., Ghaffari, H. e Alibeygl, S. Z.,2013)
  • 13. Análise de Qualidade de Frutas por imagens multiespectrais (Rodrigues, J. C., Lavoier Filho, J. M. e de Castro Jorge, L. A., 2013)
  • 14. ● Java Advanced Image API (JAI) ● Waikato Environment Analysis (WEKA) para redes neurais ● CIE La*b* ● Espectro R (vermelho), G (verde) e IR (infravermelho) ● O uso de Infravermelho possibilitou medir a região com mais água e assim o grau de maturação da fruta Análise de Qualidade de Frutas por imagens multiespectrais (Rodrigues, J. C., Lavoier Filho, J. M. e de Castro Jorge, L. A., 2013)
  • 15. Development of a Neural Network Classifier for Date Fruit Varieties Using Some Physical Attributes (Hobani, A. I., Thottam, A. M., & Ahmed, K. A., 2003)
  • 16. ● A qualidade das tâmaras é melhor medida pela forma, tamanho e cor ● Quantidade de água ● 100 de cada variedade ● 70% treinamento e 30% teste ● NeuroSolutions ● RNA comparada com análise discriminantes linear no SPSS. ● 99,6% de acerto na RNA e 99,4% no SPSS. Development of a Neural Network Classifier for Date Fruit Varieties Using Some Physical Attributes (Hobani, A. I., Thottam, A. M., & Ahmed, K. A., 2003)
  • 17. Neural Network Model for Predicting and Classifying Exotic Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria, H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011) Mangostão Durião
  • 18. ● Para o durião: – melhor rede foi com 10 camadas escondidas 5000 iterações e EQM 0.003. – O acerto foi de 79% para frutas inteiras e 71% para defeituosas. – Exatidão 94% para a fruta parcialmente madura, 82% totalmente madura, 100% amadurecida e 60% muito amadurecida. Neural Network Model for Predicting and Classifying Exotic Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria, H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011)
  • 19. ● Para o mangostão: – 3 RNA – frutas inteiras das defeituosas, maturidade e doçura – 9 neurônios na camada escondida, 25000 iterações, 80% frutas inteiras e 100% defeituosas. – 21 neurônios na camada escondida 100% para as classes 0, 1, 2 e 4 e 33,3% para classe 3. – 10 neurônios na camada escondida e EQM 0.003. Classe não doce 100%, muito doce 66,7% e doce 93.8%. Neural Network Model for Predicting and Classifying Exotic Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria, H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011)