Uso de aprendizado profundo na detecção de defeitos externos em tomates

Detalhes bibliográficos
Ano de defesa: 2018
Autor(a) principal: Costa, Arthur Zanatta da, 1992-
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: [s.n.]
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Aprendizado profundo
Deep learning
Link de acesso: https://hdl.handle.net/20.500.12733/1635865
Resumo: Orientadores: Hugo Enrique Hernández Figueroa, Juliana Aparecida Fracarolli
id UNICAMP-30_173fcf9b7b50913714601ca9a5af8588
oai_identifier_str oai::1082315
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Uso de aprendizado profundo na detecção de defeitos externos em tomatesDetection of external defects in tomatoes using deep learningAprendizado profundoDeep learningOrientadores: Hugo Enrique Hernández Figueroa, Juliana Aparecida FracarolliDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Esta dissertação estudou o uso de redes neurais profundas na detecção de defeitos externos em tomates. Duas bases de dados contendo imagens de tomates saudáveis e defeituosos foram criadas e estão disponíveis gratuitamente online. A primeira base tem 416 imagens de tomates em laboratório com condições controladas de pose, fundo e iluminação. A base foi etiquetada do começo ao fim por 7 participantes com o objetivo de identificar padrões e as variâncias no gosto dos consumidores. Dado seu tamanho pequeno, somente a extração de descritores com uma rede profunda pré-treinada foi implementada. Os melhores classificadores profundos nessa base forneceram performance satisfatória na previsão do gosto de cada participante, com a área sob a curva característica de operação do receptor (AUC) variando entre 83.0% ? 94.0% na base de teste. A comparação da AUC_teste de todos os participantes sugere que os piores resultados decorrem de pessoas com gosto mais exigente ou de possíveis erros durante o processo de etiquetagem. É preciso estender o trabalho, trazendo mais participantes e colhendo mais dados, para descobrir se as performances mais baixas aumentam com o número de dados e se as classificações de alguns participantes podem ser consideradas outliers. A segunda base tem 43843 imagens de tomates adquiridas durante a operação normal de uma máquina de seleção. Não houve censura sobre os tipos de defeitos que poderiam aparecer durante a aquisição. A base foi etiquetada pelo autor da tese com ajuda de um especialista em seleção. Três técnicas de aprendizado profundo foram implementadas e comparadas sobre essa base: extração de descritores, ajuste fino e detecção de anomalia usando uma rede geradora adversarial (GAN). As duas primeiras técnicas alcançaram resultados acima de 90% na AUC_teste , enquanto a terceira falhou em apresentar resultados relevantes devido ao tamanho da base. O melhor resultado veio do ajuste fino de todas as camadas de uma ResNet50. Esse classificador atingiu AUC_teste = 97.6%. Até onde os conhecimentos dos autores vão, essa é a melhor performance de um classificador na literatura em uma base contendo dezenas de milhares de amostras sem restrição nos tipos de defeitos apresentados. Além disso, o classificador não possui nenhum conhecimento a priori de que o fruto é um tomate, indicando a viabilidade de estender o método para outros alimentos. O resultado fornece um novo horizonte para a melhora significativa dos algoritmos de seleção em máquinasAbstract: This dissertation studied the application of deep neural networks on the problem of sorting external defects in tomatoes. Two datasets containing images of healthy and defective tomatoes were created and are available online for free. The first one has 416 images of tomatoes on laboratory with controlled pose, background and lighting. All instances of the dataset were labeled by 7 volunteers. The purpose was to identify patterns and variances in consumer taste. Due to the small size of the dataset, only feature extraction with a pretrained deep neural network was implemented. The best deep classifiers showed satisfactory performance with area under the receiver operating characteristic curve AUC raging from 83.0% to 94.0% on the test set. The comparison among all AUC_test suggests that the worst results are due picky volunteers or possible mistakes made during the labeling phase. The experiment need to be continued with more data and volunteers in order to find out if it¿s possible to improve the worst classifiers with more data and if the labeling of some volunteers are outliers. The second dataset has 43843 images of tomatoes acquired during the normal operation of a tomato sorter machine . There was no censorship on the kinds of defects which could appear during acquisition. The dataset was labeled by the author of the thesis with the help of an fruit sorter expert. Three different deep learning techniques were implemented: feature extraction, fine tuning and anomaly detection with a generative adversarial network (GAN). The two first techniques achieved AUC_test above 90%, while the third was a failure due to the lack of data. The best result came from a ResNet50 with all layers fine tuned. This classifier achieved AUC_test = 97.6%. As far as the authors are aware, this is the best performance in the literature of a classifier in a dataset with dozens of thousands of images without restriction on which defects might appear. Furthermore, the classifier doesn¿t have any prior on the images being tomatoes, suggesting the method should also work when sorting other foods. The result raises a new horizon for significant improvement of sorting algorithms in commercial machinesMestradoTelecomunicações e TelemáticaMestre em Engenharia Elétrica[s.n.]Hernández-Figueroa, Hugo Enrique, 1959-Fracarolli, Juliana Aparecida, 1984-Attux, Romis Ribeiro de FaissolGarcia, Angel PontinUniversidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASCosta, Arthur Zanatta da, 1992-20182018-11-26T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (123 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/1635865COSTA, Arthur Zanatta da. Uso de aprendizado profundo na detecção de defeitos externos em tomates. 2018. 1 recurso online (123 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1635865. Acesso em: 26 abr. 2024.https://repositorio.unicamp.br/acervo/detalhe/1082315Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2019-04-25T09:40:39Zoai::1082315Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2019-04-25T09:40:39Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Uso de aprendizado profundo na detecção de defeitos externos em tomates
Detection of external defects in tomatoes using deep learning
title Uso de aprendizado profundo na detecção de defeitos externos em tomates
spellingShingle Uso de aprendizado profundo na detecção de defeitos externos em tomates
Costa, Arthur Zanatta da, 1992-
Aprendizado profundo
Deep learning
title_short Uso de aprendizado profundo na detecção de defeitos externos em tomates
title_full Uso de aprendizado profundo na detecção de defeitos externos em tomates
title_fullStr Uso de aprendizado profundo na detecção de defeitos externos em tomates
title_full_unstemmed Uso de aprendizado profundo na detecção de defeitos externos em tomates
title_sort Uso de aprendizado profundo na detecção de defeitos externos em tomates
author Costa, Arthur Zanatta da, 1992-
author_facet Costa, Arthur Zanatta da, 1992-
author_role author
dc.contributor.none.fl_str_mv Hernández-Figueroa, Hugo Enrique, 1959-
Fracarolli, Juliana Aparecida, 1984-
Attux, Romis Ribeiro de Faissol
Garcia, Angel Pontin
Universidade Estadual de Campinas. Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Costa, Arthur Zanatta da, 1992-
dc.subject.por.fl_str_mv Aprendizado profundo
Deep learning
topic Aprendizado profundo
Deep learning
description Orientadores: Hugo Enrique Hernández Figueroa, Juliana Aparecida Fracarolli
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-11-26T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/1635865
COSTA, Arthur Zanatta da. Uso de aprendizado profundo na detecção de defeitos externos em tomates. 2018. 1 recurso online (123 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1635865. Acesso em: 26 abr. 2024.
url https://hdl.handle.net/20.500.12733/1635865
identifier_str_mv COSTA, Arthur Zanatta da. Uso de aprendizado profundo na detecção de defeitos externos em tomates. 2018. 1 recurso online (123 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/1635865. Acesso em: 26 abr. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1082315
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (123 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1797405506021621760

Registros relacionados