Logo do repositório

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.