Made available in DSpace on 2017-07-21T14:19:23Z (GMT). No. of bitstreams: 1
Sergio Ribeiro.pdf: 2037114 bytes, checksum: 2f1113eba33e663f69ba3f87c494c1cc (MD5)
Previous issue date: 2015-02-27 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Maize is an important crop in national and international level. Its market value is influenced by the quality of the grains. The rot (damaged) grains are an economic
and health problem. Strict laws determine the process of classification of grains in healthy and rot, however this procedure is done manually, subject to subjectivity and
human errors. The objective of this study was to use computational methods of digital image processing for feature extraction of maize grains. This work also proposed to identify which methods and data mining algorithms are more efficient to solve the problem of rot grain maize identification. For this research it was used corn grain samples from various cooperatives in the Midwest Parana area. These samples were classified by certified technicians in these cooperatives and submitted, with manufacturer and developed programs, to the process of image acquisition, segmentation and extraction of colour and texture characteristics. For the development of programs was used Python together with SimpleCV framework. The extracted image data were saved in a file format of the Weka tool that was used to train and to test the base by employing the methods holdout and cross-validation. All tool algorithms were used for data processing and 24 of them have reached a rate equal accuracy and / or greater than 99%. The best studied related work achieved an accuracy rate of 93% for Steenhoek et al. (2001) and 98% for Draganova et al.
(2010a). Between the algorithms with the better results, it was chosen one to generate a model that was implemented and tested with program developed in this
work. This model obtained a accuracy rate of 99,8% with this model. The best results were obtained with the combination of HSV color space, and texture characteristics
with LBP pattern, and images with a resolution of 300 dpi. / O milho é uma importante cultura em nível nacional e internacional. Seu valor de mercado é influenciado pela qualidade dos grãos. Os grãos ardidos são um problema econômico e sanitário. Rigorosas leis determinam o processo de classificação dos grãos em sadios e ardidos, entretanto este procedimento é feito de forma manual, sujeito à subjetividade e erros humanos. O objetivo deste trabalho foi aplicar métodos computacionais de processamento digital de imagens para extração
de características dos grãos de milho. Este trabalho também propôs identificar quais métodos e algoritmos de mineração de dados são mais eficientes para a resolução
do problema de identificação dos grãos ardidos de milho. Nesta pesquisa foram usadas amostras de grãos de milho de diferentes cooperativas da região centro oeste do Paraná. Essas amostras foram classificadas por técnicos credenciados nessas cooperativas e submetidas, por meio de programas proprietários e desenvolvidos neste trabalho, aos processos de aquisição de imagens,
segmentação e extração de características de cor e textura. Para o desenvolvimento dos programas foi utilizado a linguagem Python em conjunto com o framework SimpleCV. Os dados extraídos das imagens foram armazenados em um arquivo compatível com a ferramenta Weka, que foi utilizado para treinamento e teste da base empregando os métodos de Divisão de Amostras e Validação Cruzada. Todos os algoritmos da ferramenta foram utilizados para processamento dos dados e 24 deles chegaram a uma taxa de acurácia igual e/ou superior a 99%. Os melhores trabalhos correlacionados estudados obtiveram uma taxa de acurácia de 93% para Steenhoek et al. (2001) e 98% para Draganova et al. (2010a). Entre os algoritmos com melhor acurácia foi gerado um modelo, que foi implementado e testado em um programa também desenvolvido neste trabalho, e que chegou a uma acurácia de 99,8%. Os melhores resultados foram obtidos com a combinação do espaço de cor HSV e características de textura com o padrão LBP em imagens com resolução de
300 dpi.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2.uepg.br:prefix/125 |
| Date | 27 February 2015 |
| Creators | Ribeiro, Sergio Silva |
| Contributors | Falate, Rosane, Guimarães, Alaine Margarete, Miazaki, Mauro |
| Publisher | UNIVERSIDADE ESTADUAL DE PONTA GROSSA, Programa de Pós Graduação Computação Aplicada, UEPG, BR, Computação para Tecnologias em Agricultura |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UEPG, instname:Universidade Estadual de Ponta Grossa, instacron:UEPG |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0077 seconds