DigitUMa
Repositório Institucional da Universidade da Madeira
Entradas recentes
Os tablets, atividade física e saúde dos jovens da Região Autónoma da Madeira (TASRAM – CIT): um ano de implementação
Publication . Rodrigues, A.; Rodrigues, Ana; Antunes, H.; Antunes, Hélio; Garcês, S.; Garcês, Soraia; Gregório, T.; Oliveira, O.; Correia, A.; Correia, Ana Luisa Rodrigues Figueira de Sousa; Sabino, B.; Lopes, H.; Lopes, Helder
Athlete security management: the case of the Madeira Island Ultra Trail Event
Publication . Marques, Eduardo; Miguel Dias Marques, Eduardo; Pinheiro, Ricardo
Desporto, turismo e sustentabilidade: o caso da Regata Transquadra na Ilha da Madeira
Publication . Franco, Mara; Franco, Mara; Soares, Jorge; Alexandre Pereira Soares, Jorge
Breve caracterização das empresas de animação turística da R. A. Madeira
Publication . Prudente, J.; Prudente, João Filipe; Fernando, C.; Fernando, Catarina; Rodrigues, A.; Rodrigues, Ana; Antunes, H.; Antunes, Hélio; Noite, J.; Noite Mendes, Joao Manuel; Cardoso, A.; Ramos Cardoso, Américo; Lopes, H.; Lopes, Helder; Leite, E.; Leite, Eduardo; Sousa, D.; Sousa, Duarte
Approaches for banana harvesting automation
Publication . Baglat, Preety; Dias, Fernando Manuel Rosmaninho Morgado Ferrão; Mendonça, Fábio; Shahnawaz, Shekh
A colheita de bananas ainda depende de um pequeno grupo de especialistas, e o seu con
hecimento é difícil de transmitir. Este trabalho transforma esse conhecimento numa solução
de ponta de aprendizagem automática para decisões de colheita, mais consistente, mais fácil
de escalar e de replicar. Primeiro, o estudo de revisão sistemática resumiu as técnicas exis
tentes de deep learning e aprendizagem automática disponíveis para identificar os estádios
de maturação da banana. Em seguida, procedeu-se à recolha de um conjunto de dados em
diferentes campos na Ilha da Madeira, Portugal, sob variadas condições ambientais, com o
objetivo de resolver o problema da deteção do cacho de banana e da classificação para col
heita. Depois, utilizando imagens de deteção de cachos e imagens rotuladas por especialistas
quanto à prontidão para a colheita, recolhidas nos campos, o sistema combina um detetor
baseado em You Only Look Once (YOLO) e um classificador You Only Look Once (YOLO)
melhorado com Bloco Squeeze-and-Excitation (SE). O sistema de deteção foca-se no cacho
principal de banana em cada fotografia para que outros cachos ou fundos complexos não
induzam o resultado em erro, e o classificador decide então se esse cacho está pronto para
a colheita ou não. O modelo de deteção alcançou 93%,AP50test a cerca de 5,1 ms por im
agem, e o modelo de classificação atingiu 94% de precisão a cerca de 2,8 ms por imagem.
Uma aplicação Android liga estas partes num fluxo simples e fornece decisões de colheita,
nomeadamente Cortar ou Manter. Uma opção Discordar, que envia imagens para o servidor
para revisão caso o trabalhador da colheita não concorde com o resultado, ajuda a aumentar
a precisão futura do modelo. Foram recolhidos comentários de colhedores e utilizadores du
rante os testes no campo, num dia de colheita, para melhorar ainda mais o sistema. Os testes
de campo mostraram um desempenho fiável, decisões mais rápidas e menos trabalho manual.
Permanecem limitações porque os dados provêm de uma só região e principalmente de um
único tipo de banana, e as fotografias não conseguem captar o toque ou todos os parâmetros
do campo. Trabalhos futuros deverão incluir estudos de validação com conjuntos de dados
de múltiplas regiões geográficas e diversas cultivares de banana, extensão a outras culturas e
integração de registos de campo ou diários de colheita para registo automático das avaliações
de maturidade, permitir a programação preditiva da colheita e apoiar a documentação de
controlo de qualidade para certificações.