Rede neuronal artificial para determinação da umidade de frutos de café

Abstract

A adoção do manejo a sítio específico das culturas agrícolas - Agricultura de Precisão - tem, geralmente, como ponto de partida para uma linha de procedimentos, a elaboração de um mapa de produtividade durante a colheita. Para a obtenção desse mapa, a determinação da umidade do produto é um parâmetro fundamental. Portanto, a adoção dessas práticas tem se limitado às culturas onde a determinação de umidade em tempo real é uma realidade tecnológica. No momento da colheita, os frutos do café apresentam desuniformidade de maturação e elevado teor de umidade. Porém, cada estádio de maturação dos frutos no momento da colheita tem uma cor bastante característica. Por causa disso, a informação espectral adquirida, por exemplo, em imagens dos frutos, podem ser utilizadas para caracterização da umidade dos frutos de café no momento da colheita. As técnicas de inteligência artificial como, por exemplo, as redes neuronais artificiais, têm sido utilizadas em conjunto com o processamento de imagens para automação da interpretação da cena. Dessa maneira, o objetivo do presente estudo foi o desenvolvimento e teste de uma rede neuronal artificial (RNA) para estimar a umidade dos frutos de café em imagens digitais. Os frutos de café (Coffea arabica L.) da variedade Catuaí Vermelho, foram colhidos manualmente, aleatoriamente, em diversas plantas, por três catadores que classificaram os frutos visualmente em: cereja, verde e passa. As amostras dos catadores originaram uma amostra composta para cada tipo de fruto. Cada amostra composta foi dividida em 10 sub-amostras cujas as imagens foram adquiridas por uma câmera de vídeo digital, Duncantech MS3100, e levadas à estufa, 103 ± 1° C por 72 horas, para determinação da umidade. O processamento das imagens coloridas se resumiu na geração de imagens monocromáticas que representasse ou as bandas R, G e B separadamente ou a razão entre duas bandas (R/G, R/B e G/B). A RNA era composta de cinco camadas: uma de entrada, três intermediárias e uma de saída. A camada de entrada era constituída pelo vetor com os valores dos pixels de um sub-bloco da imagem processada com 5x5 pixels. Foram testadas seis combinações diferentes de números de neurônios nas camadas intermediárias. A camada de saída era constituída por um neurônio que determinava a umidade dos frutos que estavam representados no vetor de entrada. Foi desenvolvida uma rede para cada tipo de imagem processada que foram treinadas pela técnica da retro-propagação do erro. Foram retirados 10 sub-blocos, aleatoriamente, para cada imagem representando estádios de maturação diferentes de fruto de café, totalizando 300 sub-blocos (3 estádios x 10 sub-amostras x 10 sub-blocos). A rede foi treinada com 200 vetores retirados, aleatoriamente, desses sub-blocos e os restantes 100 vetores foram utilizados para testar a RNA treinada. A rede 100x100x100 apresentou o menor erro médio quadrado de 2,75 com as amostras de teste quando utilizou as imagens processadas pela razão entre a banda vermelha e verde (índice R/G), apresentando um valor, equivalendo a erro médio de 1,66% de teor de umidade em base úmida. Este valor foi considerado satisfatório, pois é semelhante ao erro apresentado pelos determinadores de umidade convencionais. Quando se utilizou apenas uma banda (R, G ou B), o treinamento foi interrompido por atingir o gradiente mínimo na curva de erro dos parâmetros livres da rede, isto indica uma dificuldade da arquitetura da rede testada de "aprender" o problema apenas com uma banda espectral.