Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Santos, José Airton Azevedo dos | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2568-5734 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1208427854093144 | - |
Autor(es): dc.contributor | Konopatzki, Evandro André | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-9950-4561 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2271391188375487 | - |
Autor(es): dc.contributor | Fernandes, Carlos Aparecido | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-7675-8529 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/9077561280819218 | - |
Autor(es): dc.contributor | Santos, José Airton Azevedo dos | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-2568-5734 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1208427854093144 | - |
Autor(es): dc.contributor | Silva, Luciana Del Castanhel Peron da | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/5380611529070405 | - |
Autor(es): dc.contributor | Tonin, Paulo César | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/6557298196355263 | - |
Autor(es): dc.creator | Oliveira, Leandro de | - |
Data de aceite: dc.date.accessioned | 2025-08-29T12:57:14Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T12:57:14Z | - |
Data de envio: dc.date.issued | 2024-04-15 | - |
Data de envio: dc.date.issued | 2024-04-15 | - |
Data de envio: dc.date.issued | 2024-03-07 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/33783 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1104850 | - |
Descrição: dc.description | The aim of this work is to use artificial neural networks to classify different types of tomatoes (variety or cultivar) on sale in establishments in the western region of Paraná. The classification process was carried out using models based on convolutional neural networks, and included image acquisition and processing, training, validation and testing of the classification models. A smartphone camera was used to build the tomato image database. The models chosen for classification were: ResNet50V2, MobileNet, MobileNetV2, Xception, EfficientNetV2B0, EfficientNetV2B1, EfficientNetV2B2 and EfficientNetV2B3, which were implemented in the Python language using the Keras API of the TensorFlow framework. The results obtained from the eight models were compared using accuracy and loss. For a test set of 12 images, significantly different from the training set, the MobileNet model performed best, with a test accuracy of 83.33% and an error of 0.622. | - |
Descrição: dc.description | Este trabalho tem como objetivo classificar, por meio de rede neural artificial, diferentes tipos de tomates (variedade ou cultivar), dispostos à venda em estabelecimentos da Região Oeste Paranaense. O processo de classificação ocorreu por meio da utilização de modelos baseados em redes neurais convolucionais, e compreendeu a aquisição e processamento de imagens, treinamento, validação e teste dos modelos de classificação. Utilizou-se, para construção da base de dados de imagens de tomates, uma câmera de smartphone. Os modelos escolhidos para classificação foram: ResNet50V2, MobileNet, MobileNetV2, Xception, EfficientNetV2B0, EfficientNetV2B1, EfficientNetV2B2 e EfficientNetV2B3, os quais foram implementados na linguagem Python, utilizando a API Keras do framework TensorFlow. Os resultados obtidos, dos oito modelos, foram comparados por meio da acurácia (accuracy) e do erro (loss). Verificou-se, para um conjunto de teste de 12 imagens, significativamente diferente do conjunto de treinamento, que o modelo MobileNet apresentou o melhor desempenho, com uma acurácia de teste de 83,33% e um erro de 0,622. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Medianeira | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | https://creativecommons.org/licenses/by/4.0/deed.pt-br | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Python (Linguagem de programação de computador) | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Python (Computer program language) | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Engenharia/Tecnologia/Gestão | - |
Título: dc.title | Classificação do tipo de tomate por meio de imagem: um estudo de caso utilizando redes neurais convolucionais | - |
Título: dc.title | Tomato type classification through images: a case study using convolutional neural networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: