Detecção e classificação de gemas de cana-de-açúcar por visão computacional: uma abordagem baseada em redes neurais convolucionais

Abstract

No contexto da modernização agrícola, este trabalho estuda a aplicação de técnicas de reconhecimento visual para identificar gemas de cana-de-açúcar, utilizando redes neurais artificiais no ambiente MATLAB. O objetivo central é distinguir entre gemas adequadas e inadequadas para o replantio, visando contribuir para a automatização de um processo atualmente manual. Para tanto, foram inicialmente avaliados métodos tradicionais de processamento de imagens, como reconhecimento de padrões e análise de diferenças de fundo, que, apesar de úteis como ponto de partida, mostraram limitações em precisão e robustez. Em seguida, aplicaram-se arquiteturas de redes neurais profundas (GoogleNet, Darknet e YOLO) disponíveis no MATLAB. O conjunto de dados, composto por imagens de campo obtidas próximo a Rio Claro, contou com aproximadamente 20 gemas inviáveis e 15 viáveis para treinamento e validação. Do ponto de vista físico, a pesquisa insere-se na análise quantitativa de imagens para caracterização de estruturas naturais, explorando conceitos de óptica e processamento de informação. A expectativa é que o uso de redes neurais, mesmo com uma base de dados reduzida, permita uma classificação inicial satisfatória, demonstrando a viabilidade da abordagem e apontando para futuras expansões, como o aumento do banco de imagens e a otimização de arquiteturas, alinhando-se assim ao desenvolvimento de técnicas de instrumentação com embasamento físico.

In the context of agricultural modernization, this work investigates the application of visual recognition techniques to identify sugarcane buds using artificial neural networks in the MATLAB environment. The main objective is to distinguish between suitable and unsuitable buds for replanting, aiming to contribute to the automation of a process that is currently manual. To this end, traditional image-processing methods were initially evaluated, such as pattern recognition and background-difference analysis, which, although useful as a starting point, showed limitations in accuracy and robustness. Subsequently, deep neural-network architectures available in MATLAB (GoogleNet, Darknet, and YOLO) were applied. The dataset, consisting of field images collected near Rio Claro, included approximately 20 nonviable and 15 viable buds for training and validation. From a physical standpoint, the research is situated within the quantitative analysis of images for the characterization of natural structures, exploring concepts of optics and information processing. The expectation is that the use of neural networks, even with a reduced dataset, will enable a satisfactory initial classification, demonstrating the feasibility of the approach and pointing toward future expansions, such as enlarging the image repository and optimizing architectures, thus aligning with the development of instrumentation techniques grounded in physics.