Predição da germinação de sementes de Pityrocarpa moniliformis (Benth.) Luckow & R. W. Jobson usando Deep Learning
Espécies florestais, inteligência artificial, redes convolucionais, aprendizado profundo.
A possibilidade de predizer a germinação de um lote de sementes por meio uso do Deep Learning tem apresentado potencial, como método complementar à análise de qualidade de sementes. Nesta pesquisa avaliou-se a eficiência do uso do Deep Learning, com redes neurais convolucionais, para predizer a germinação de sementes de Pityrocarpa moniliformis (Benth.) Luckow & R. W. Jobson. Selecionou-se 1000 sementes aleatoriamente de 4 lotes distintos, 250 sementes para cada, as quais foram usadas nos testes de germinação e análises computacionais. Para a captação das imagens das sementes utilizou-se um scanner, a partir do qual se obteve as imagens de cada semente, individualmente. As imagens das sementes foram usadas para implementar, treinar e testar as redes neurais convolucionais no algoritmo computacional criado nesta pesquisa, visando à comparação dos resultados obtidos a partir da análise computacional com os da germinação individual de cada semente. Para tanto, após a aquisição das imagens, as sementes foram colocadas para germinar, identificando-se cada uma das sementes. Após o período de germinação, as sementes foram divididas em duas classes, as germinadas (0) e não germinadas (1). A partir das imagens das sementes antes da germinação, e com o resultado individual de cada semente, procedeu-se a análise computacional. As redes pré-treinadas após 5 épocas de execução indicaram tendência de melhora da acurácia, no entanto também observou-se indícios de sobreajuste, uma vez que o desempenho nos dados de treino foram melhores do que os dados de validação (test). O recall (sensibilidade) foi superior a 90% em todos os modelos para classe de sementes germinadas. O valor do recall foi bem menor para a classe não germinadas, ambas, abaixo de 20%. Para o modelo customizado obteve-se 85% de recall para a classe de sementes não germinadas e 18% para as germinadas, o que pode ter ocorrido devido a uma sobreposição ou inversão no reconhecimento das classes. Os resultados das redes pré-treinadas e do modelo customizado mostraram-se promissores, tanto para o conjunto de treinamento, quanto o conjunto teste, pois pode-se averiguar a eficiência do uso de Deep Learning na predição da germinação das sementes de Pityrocarpa moniliformis, porém as análises indicam necessidade de melhorar e ajustar os pré-processamentos das imagens e carece de mais tempo de investigação e mais testes de configuração dos modelos.