Uma abordagem de entrada mista para segmentação de grãos na indústria de fertilizantes usando redes neurais codificadoras-decodificadoras
Resumo
[19:33, 1/13/2025] +55 53 8117-2247: O equilíbrio de nutrientes no solo é essencial para a produção de alimentos em larga escala, e a qualidade dos fertilizantes, determinada pelo tamanho dos grãos, desempenha um papel crucial na penetração no solo. Métodos tradicionais de análise de tamanho de partículas, como o uso de peneiras, são ineficientes, o que levou ao desenvolvimento de sistemas automatizados de análise de qualidade. Abordagens baseadas em visão computacional têm mostrado potencial, mas os métodos existentes frequentemente dependem de fundos visíveis para criar contraste e carecem de generalização, exigindo recalibração constante. Este trabalho aborda essas limitações introduzindo uma rede neural U-Net com codificador duplo para segmentar grãos de fertilizantes em superfícies completamente cobertas, acomodando diferentes tamanhos de grãos sem depender de fundos visíveis. Além disso, a rede utiliza uma entrada de dados composta por uma imagem original e uma imagem pré-segmentada por um método determinístico para aumentar a precisão da segmentação.
Nome do autor: Nelson de Faria Traversi
E-mail do autor: 20kfurg@gmail.com
[19:34, 1/13/2025] +55 53 8117-2247: Título FGSet: Bridging Simulated, Controlled, and Real-World Datasets for Fertilizer Grain Analysis
Resumo
Os fertilizantes desempenham um papel crucial na agricultura moderna, sendo insumos essenciais para maximizar a produtividade das culturas e garantir a segurança alimentar. No entanto, a ausência de conjuntos de dados bem anotados tem dificultado significativamente os avanços na análise automatizada de fertilizantes. Este artigo apresenta três conjuntos de dados inovadores, desenvolvidos para criar e validar sistemas de detecção e classificação de fertilizantes, com foco no uso de ambientes simulados e controlados para melhorar o desempenho de modelos em dados reais limitados.
O primeiro conjunto de dados é sintético, gerado por um simulador que cria representações em visão superior de amostras de fertilizantes a partir da fusão de imagens individuais de grãos. Esse conjunto oferece uma fonte de dados altamente controlada e diversificada, ideal para o desenvolvimento e teste inicial de algoritmos. O segundo conjunto é coletado em um ambiente controlado, sob condições otimizadas e realistas, proporcionando um equilíbrio entre precisão experimental e relevância prática. Por fim, o terceiro conjunto captura as condições reais do campo agrícola, sendo coletado em ambientes desafiadores para refletir as complexidades inerentes à aquisição de dados agrícolas.
O treinamento de modelos de aprendizado de máquina nos conjuntos sintético e controlado, seguido de ajuste fino com o conjunto de dados reais limitados, demonstrou ser altamente eficaz para superar a escassez de dados. Essa abordagem melhora a precisão e a robustez dos modelos, permitindo avanços em cenários diversos. Esses conjuntos de dados fortalecem significativamente os processos de treinamento e avaliação de modelos, abrindo caminho para avanços na agricultura de precisão. Ao aprimorar a precisão e a eficiência na gestão de fertilizantes, esses recursos contribuem para o desenvolvimento de práticas agrícolas sustentáveis.
Este artigo detalha a criação, as características e as possíveis aplicações desses conjuntos de dados, destacando como sua natureza complementar promove o desenvolvimento robusto de modelos e inovações práticas.
