Redes complexas aplicadas à classificação de grãos de soja com base em imagens

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Afonso, Eduardo da Silva
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: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Classificação
Classification
Complex networks
Extração de características
Feature extraction
Grãos de soja
Redes complexas
Soybean grains
Link de acesso: https://www.teses.usp.br/teses/disponiveis/59/59143/tde-04092025-161618/
Resumo: A teoria de redes complexas (ou grafos em larga escala) oferece uma abordagem eficaz para modelar sistemas reais e representar as interações entre seus diferentes componentes. Este trabalho propõe uma metodologia baseada em redes complexas para a classificação automática da qualidade de grãos de soja, utilizando medidas estruturais extraídas de redes geradas a partir de imagens dos grãos. O processo tem início com a segmentação das imagens em superpixels, que são considerados como nós de uma rede. Os atributos de cada nó são obtidos a partir de características visuais locais, como cor, textura e curvatura. Para cada tipo de atributo, uma rede distinta é construída conectando os nós com base na similaridade entre essas características visuais. Por meio dessas redes, foram calculadas diversas medidas topológicas, tanto locais quanto globais, incluindo grau médio ponderado, caminho mínimo médio, centralidade de closeness, coeficiente de agrupamento, assortatividade e estatísticas dos pesos das arestas. Essas medidas compõem vetores de características que são utilizados como entrada para diferentes modelos de classificação supervisionada. Um processo de seleção de atributos baseado em ANOVA e Informação Mútua foi empregado para reduzir a dimensionalidade e destacar as medidas mais relevantes. A abordagem proposta mostra-se promissora, com potencial para aplicações práticas em contextos agrícolas com poucos dados, especialmente em sistemas automatizados de inspeção de grãos. A representação em networks permite capturar padrões estruturais que vão além das abordagens tradicionais, fornecendo uma base sólida para análises mais explicáveis em sistemas de aprendizado de máquina.
id USP_106dbe4ab1e30b0e115dde57edf7b63e
oai_identifier_str oai:teses.usp.br:tde-04092025-161618
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Redes complexas aplicadas à classificação de grãos de soja com base em imagensComplex networks applied to soybean grain classification based on imagesClassificaçãoClassificationComplex networksExtração de característicasFeature extractionGrãos de sojaRedes complexasSoybean grainsA teoria de redes complexas (ou grafos em larga escala) oferece uma abordagem eficaz para modelar sistemas reais e representar as interações entre seus diferentes componentes. Este trabalho propõe uma metodologia baseada em redes complexas para a classificação automática da qualidade de grãos de soja, utilizando medidas estruturais extraídas de redes geradas a partir de imagens dos grãos. O processo tem início com a segmentação das imagens em superpixels, que são considerados como nós de uma rede. Os atributos de cada nó são obtidos a partir de características visuais locais, como cor, textura e curvatura. Para cada tipo de atributo, uma rede distinta é construída conectando os nós com base na similaridade entre essas características visuais. Por meio dessas redes, foram calculadas diversas medidas topológicas, tanto locais quanto globais, incluindo grau médio ponderado, caminho mínimo médio, centralidade de closeness, coeficiente de agrupamento, assortatividade e estatísticas dos pesos das arestas. Essas medidas compõem vetores de características que são utilizados como entrada para diferentes modelos de classificação supervisionada. Um processo de seleção de atributos baseado em ANOVA e Informação Mútua foi empregado para reduzir a dimensionalidade e destacar as medidas mais relevantes. A abordagem proposta mostra-se promissora, com potencial para aplicações práticas em contextos agrícolas com poucos dados, especialmente em sistemas automatizados de inspeção de grãos. A representação em networks permite capturar padrões estruturais que vão além das abordagens tradicionais, fornecendo uma base sólida para análises mais explicáveis em sistemas de aprendizado de máquina.The theory of complex networks (or large-scale graphs) provides an effective approach for modeling real-world systems and representing the interactions among their various components. This work proposes a methodology based on complex networks for the automatic classification of soybean grain quality, using structural measures extracted from networks generated from grain images. The process begins with the segmentation of the images into superpixels, which are treated as nodes in a network. The attributes of each node are derived from local visual features such as color, texture, and curvature. For each type of feature, a distinct network is constructed by connecting nodes based on the similarity of their visual characteristics. From these networks, various topological measures - both local and global - are calculated, including weighted average degree, average shortest path length, closeness centrality, clustering coefficient, assortativity, and edge weight statistics. These measures form feature vectors used as input for different supervised classification models. An attribute selection process based on ANOVA and Mutual Information was employed to reduce dimensionality and highlight the most relevant measures. The proposed approach is promising, with potential for practical applications in agricultural contexts with few data, especially in automated grain inspection systems. Network-based representation allows for capturing structural patterns that go beyond traditional approaches, providing a solid foundation for more explainable analyses in machine learning systems.Biblioteca Digitais de Teses e Dissertações da USPLiang, ZhaoAfonso, Eduardo da Silva2025-08-20info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/59/59143/tde-04092025-161618/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2025-09-18T18:45:06Zoai:teses.usp.br:tde-04092025-161618Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212025-09-18T18:45:06Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Redes complexas aplicadas à classificação de grãos de soja com base em imagens
Complex networks applied to soybean grain classification based on images
title Redes complexas aplicadas à classificação de grãos de soja com base em imagens
spellingShingle Redes complexas aplicadas à classificação de grãos de soja com base em imagens
Afonso, Eduardo da Silva
Classificação
Classification
Complex networks
Extração de características
Feature extraction
Grãos de soja
Redes complexas
Soybean grains
title_short Redes complexas aplicadas à classificação de grãos de soja com base em imagens
title_full Redes complexas aplicadas à classificação de grãos de soja com base em imagens
title_fullStr Redes complexas aplicadas à classificação de grãos de soja com base em imagens
title_full_unstemmed Redes complexas aplicadas à classificação de grãos de soja com base em imagens
title_sort Redes complexas aplicadas à classificação de grãos de soja com base em imagens
author Afonso, Eduardo da Silva
author_facet Afonso, Eduardo da Silva
author_role author
dc.contributor.none.fl_str_mv Liang, Zhao
dc.contributor.author.fl_str_mv Afonso, Eduardo da Silva
dc.subject.por.fl_str_mv Classificação
Classification
Complex networks
Extração de características
Feature extraction
Grãos de soja
Redes complexas
Soybean grains
topic Classificação
Classification
Complex networks
Extração de características
Feature extraction
Grãos de soja
Redes complexas
Soybean grains
description A teoria de redes complexas (ou grafos em larga escala) oferece uma abordagem eficaz para modelar sistemas reais e representar as interações entre seus diferentes componentes. Este trabalho propõe uma metodologia baseada em redes complexas para a classificação automática da qualidade de grãos de soja, utilizando medidas estruturais extraídas de redes geradas a partir de imagens dos grãos. O processo tem início com a segmentação das imagens em superpixels, que são considerados como nós de uma rede. Os atributos de cada nó são obtidos a partir de características visuais locais, como cor, textura e curvatura. Para cada tipo de atributo, uma rede distinta é construída conectando os nós com base na similaridade entre essas características visuais. Por meio dessas redes, foram calculadas diversas medidas topológicas, tanto locais quanto globais, incluindo grau médio ponderado, caminho mínimo médio, centralidade de closeness, coeficiente de agrupamento, assortatividade e estatísticas dos pesos das arestas. Essas medidas compõem vetores de características que são utilizados como entrada para diferentes modelos de classificação supervisionada. Um processo de seleção de atributos baseado em ANOVA e Informação Mútua foi empregado para reduzir a dimensionalidade e destacar as medidas mais relevantes. A abordagem proposta mostra-se promissora, com potencial para aplicações práticas em contextos agrícolas com poucos dados, especialmente em sistemas automatizados de inspeção de grãos. A representação em networks permite capturar padrões estruturais que vão além das abordagens tradicionais, fornecendo uma base sólida para análises mais explicáveis em sistemas de aprendizado de máquina.
publishDate 2025
dc.date.none.fl_str_mv 2025-08-20
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://www.teses.usp.br/teses/disponiveis/59/59143/tde-04092025-161618/
url https://www.teses.usp.br/teses/disponiveis/59/59143/tde-04092025-161618/
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1848370480355999744

Registros relacionados