Convolutional Neural Networks Using Enhanced Radio... - BV FAPESP
Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Convolutional Neural Networks Using Enhanced Radiographs for Real-Time Detection of Sitophilus zeamais in Maize Grain

Texto completo
Autor(es):
da Silva, Clissia Barboza [1] ; Naves Silva, Alysson Alexander [2] ; Barroso, Geovanny [3] ; Yamamoto, Pedro Takao [3] ; Arthur, Valter [1] ; Motta Toledo, Claudio Fabiano [2] ; Mastrangelo, Thiago de Araujo [1]
Número total de Autores: 7
Afiliação do(s) autor(es):
[1] Univ Sao Paulo, Ctr Nucl Energy Agr, BR-13416000 Piracicaba, SP - Brazil
[2] Univ Sao Paulo, Inst Math & Comp Sci, BR-13560970 Sao Carlos, SP - Brazil
[3] Univ Sao Paulo, Coll Agr Luiz de Queiroz, Dept Entomol & Acarol, BR-13418900 Piracicaba, SP - Brazil
Número total de Afiliações: 3
Tipo de documento: Artigo Científico
Fonte: FOODS; v. 10, n. 4 APR 2021.
Citações Web of Science: 0
Resumo

The application of artificial intelligence (AI) such as deep learning in the quality control of grains has the potential to assist analysts in decision making and improving procedures. Advanced technologies based on X-ray imaging provide markedly easier ways to control insect infestation of stored products, regardless of whether the quality features are visible on the surface of the grains. Here, we applied contrast enhancement algorithms based on peripheral equalization and calcification emphasis on X-ray images to improve the detection of Sitophilus zeamais in maize grains. In addition, we proposed an approach based on convolutional neural networks (CNNs) to identity non-infested and infested classes using three different architectures; (i) Inception-ResNet-v2, (ii) Xception and (iii) MobileNetV2. In general, the prediction models developed based on the MobileNetV2 and Xception architectures achieved higher accuracy (>= 0.88) in identifying non-infested grains and grains infested by maize weevil, with a correct classification from 0.78 to 1.00 for validation and test sets. Hence, the proposed approach using enhanced radiographs has the potential to provide precise control of Sitophilus zeamais for safe human consumption of maize grains. The proposed method can automatically recognize food contaminated with hidden storage pests without manual features, which makes it more reliable for grain inspection. (AU)

Processo FAPESP: 18/01774-3 - Métodos de análise de imagens não destrutivos para avaliação da qualidade de sementes
Beneficiário:Clíssia Barboza Mastrangelo
Modalidade de apoio: Bolsas no Brasil - Jovens Pesquisadores
Processo FAPESP: 18/03793-5 - EMU concedido no processo 2017/15220-7: sistema de imagem SeedReporter câmera spectral & colour
Beneficiário:Clíssia Barboza Mastrangelo
Modalidade de apoio: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
Processo FAPESP: 18/03807-6 - EMU concedido no processo 2017/15220-7: multiFocus digital radiography system
Beneficiário:Clíssia Barboza Mastrangelo
Modalidade de apoio: Auxílio à Pesquisa - Programa Equipamentos Multiusuários
Processo FAPESP: 17/15220-7 - Métodos de análise de imagens não destrutivos para avaliação da qualidade de sementes
Beneficiário:Clíssia Barboza Mastrangelo
Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores