Redes neurais convolucionais e imagens RGB na classificação de genótipos de batata-doce (Ipomoea batatas (L.) Lam.)

A batata-doce é uma cultura que possui alta diversidade genética, capaz de produzir raízes tuberosas, amplamente utilizada na alimentação humana, também como matéria-prima na indústria de alimentos, tecidos, papéis, cosméticos, preparação em diversas formas e álcool carburante, é relevante para o animal. A batata-doce possui alto potencial nutricional, sendo fonte significativa de amido, fibras alimentares, minerais, compostos bioativos, como fenólicos. As tecnologias que estão associadas ao melhoramento genético de plantas para aumentar a produtividade, qualidade comercial de hortaliças, reduzindo as perdas no campo. Redes neurais transformaram profundamente o desempenho da visão computacional nas diversas áreas da inteligência de máquinas, permitindo uma revolução em atividades de reconhecimento visual mais complexas com altos níveis de precisão. Os avanços das redes neurais convolucionais integram na classificação e análise de saúde de plantas a partir sensores com obtenção das imagens hiperespectrais, multiespectrais e RGB. Assim, objetivou-se avaliar o desempenho de diferentes algoritmos de redes neurais convolucionais na classificação de genótipos de batata-doce a partir de imagens RGB. Os genótipos avaliados foram provenientes do programa de melhoramento de batata-doce da Universidade Estadual Paulista. O experimento foi instalado no Setor de Olericultura e Plantas Aromático-Medicinais, da UNESP/Jaboticabal. As imagens foram coletadas por meio de sensor RGB. O dataset de dados foi dividido em 80% para treinamento, 10% para validação e 10% para teste. Foram comparados os desempenhos de arquiteturas de MobileNetV2, RestNet50 e Densenet121 com diferentes números de épocas de treinamentos. Foram avaliadas as seguintes métricas: acurácia, precisão, F1-score, recall e análise de matriz de confusão. Todos os algoritmos apresentaram excelentes métricas, acima de 95% de acurácia global. Na classificação de polpa, DesneNet121 apresentou resultados das métricas ligeiramente superior aos demais. Na classificação das raízes, ResNet50 destacou-se com os melhores resultados. Os resultados proporcionam o potencial dos algoritmos como ferramentas de fenotipagem digital e classificação de raízes de batata-doce.

Resumo (inglês)

Sweet potato is a crop with high genetic diversity, capable of producing tuberous roots, widely used for food security, as well as a raw material in the food, textile, paper, cosmetics, and various other industries, and in fuel alcohol production. It is also relevant for animal feed. Sweet potato has high nutritional potential, being a significant source of starch, dietary fiber, minerals, and bioactive compounds such as phenolics. New technologies are associated with the genetic improvement of plants to increase productivity and commercial quality of vegetables, reducing field losses and overcoming subjectivity. Neural networks have profoundly transformed the performance of computer vision in various areas of machine intelligence, enabling a revolution in more complex visual recognition activities with high levels of precisão. Advances in convolutional neural networks integrate the classification and analysis of plant health from sensors, obtaining hyperspectral, multispectral, and RGB images. The objective was to evaluate the performance of different convolutional neural network models in classifying sweet potato genotypes from RGB images. The genotypes evaluated originated from the sweet potato breeding program at São Paulo State University. The experiment was installed in the Vegetable and AromaticMedicinal Plants Sector of UNESP/Jaboticabal. Images were collected using an RGB sensor. The dataset was divided into 80% for training, 10% for validation, and 10% for testing. The performance of MobileNetV2, RestNet50, and DenseNet121 architectures with different numbers of training epochs was compared. The following metrics were evaluated: Acurácia, precisão, F1-score, recall, and confusion matrix analysis. All models presented excellent metrics with scores above 95%. In the pulp classification task, DenseNet121 yielded slightly better metric results than the other models. In genotype classification, RestNet50 stood out with the best results. The results demonstrate the potential of these models as tools forem digital phenotyping and classification of sweet potato roots.

Palavras-chave

Batata-doce , Sensoriamento remoto , Inteligência artificial , Melhoramento genético

Idioma

Português

Citação

COSTA, J. B. - Redes neurais convolucionais e imagens RGB na classificação de genótipos de batata-doce (Ipomoea batatas (L.) Lam.) - 2026, 68f - Dissertação (Mestrado em Agronomia) Universidade Estadual Paulista "Júlio de Mesquita Filho", Jaboticabal, 2026.