Sistema inteligente para classificação de mel tipo Aroeira / Intelligent system for Aroeira honey classification

Rodrigo Baleeiro Silva

Abstract


A busca pela adesão a novas tecnologias tem crescido, continuamente, em todas as áreas de mercado, e as grandes e pequenas empresas estão cada vez mais em busca de otimizar seus processos, visando ao aumento da produtividade e até mesmo à diminuição de custos futuros. Um importante recurso para otimizar e aumentar a produtividade é retirar das mãos das pessoas os trabalhos repetitivos, e que, ao serem feitos, não necessitam de criatividade, apenas da reprodução de um padrão. Levando isso em consideração, este trabalho tem como objetivo principal propor uma abordagem para classificação de mel via contagem de pólen e inteligência computacional. Para tanto, a abordagem proposta utiliza fotografias de pólen para um sistemas inteligente classificar o mel, basendo no percetual  de pólen de arueira. Para, assim, beneficiar os produtores de mel e ou cooperativas ao facilitar um trabalho que é repetitivo e lento, na identificação do tipo de mel, que hoje é realizada em laboratórios e os resultados podendo  delongar, aproximadamente, 15 dias. Para o desenvolvimento dos modelos de sistemas inteligentes para classificar o tipo de mel, foi usada a linguagem Python, com suas bibliotecas próprias para redes neurais, 30 imagens com pólen da arueira disponibilizadas na internet. Como resultado deste trabalho, um conjunto de modelos inteligentes foi selecionado para realizarem as classificações.


Keywords


Mel de aroeira. Redes neurais artificiais. Classificação de mel. Aprendizado de máquina.

References


ARAUJO, F. H. D. et al. Redes Neurais Convolucionais com Tensorflow: Teoria e Prática. In:. 1. ed. Piauí: III Escola Regional de Informática do Piauí, 2017. v. 1, cap. 7, p. 382–406.

Demier, A. D. M. Doces matas do norte de minas: atores, instituições e a

Obtenção do registro de indicação geográfica do mel de aroeira. BS thesis. Universidade Tecnológica Federal de Minas Gerais, 2018.

FILHO, M. N. D. C. et al. Avaliação da Qualidade de Méis de Abelha Produzidos e Comercializados Em Vitória Da Conquista, Bahia. Revista Verde de Agrologia e Desenvolvimento Sustentável, v. 12, n. 2017, p. 4, 2017.

Júnior, E. M. d. S. Estimativa de volume de madeira de árvores de eucalipto utilizando redes neurais artificiais do tipo rbf. BS thesis. Universidade Estadual de Montes Claros, 2016.

GERON, A. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn TensorFlow. 1. ed. Rio de Janeiro: Alta Books, 2019. ISBN 978-85-508-0381-4.

Grando, Marlon Luis. Classificação de bovinos por meio da característica do focinho utilizando visão computacional. BS thesis. Universidade Tecnológica Federal do Paraná, 2018.

SILVA, Robson Mariano; LEAL, M. R. R.; LIMA, F. M. Predico do Câncer de Mama com Aplicação de Modelos de Inteligência Computacional. TEMA (São Carlos), 2019, 20.2: 229-240.

Silva, R. B., Maia, R. D., D’Angelo, M. F. S. V., e Souza, J. (2016). Reconfiguração de controle em um drone quadrimotor auxiliado por um classificador de falhas. A Conferência Sul Em Modelagem Computacional - MCSUL, 7(86):760–769.

SILVA, I. N. da; SPATTI, D. H.; FLAUZINO, R. A. Redes neurais artificiais: para engenharia e ciências aplicadas. 2. ed. São Paulo: Artliber, 2016. ISBN 8588098873.




DOI: https://doi.org/10.34117/bjdv6n2-003

Refbacks

  • There are currently no refbacks.