Aprendizado profundo de máquinas: potencial de uso na predição da germinação de sementes de Pityrocarpa moniliformis (Benth.) Luckow & R. W. Jobson
catanduva, qualidade de sementes, deep learning, automatização
A avaliação da germinação de sementes por meio do aprendizado de máquina profundo tem apresentado potencial como método complementar na análise da qualidade de sementes. Este trabalho avaliou a eficiência do uso do aprendizado de máquina profundo com redes neurais convolucionais para determinar a qualidade de sementes de Pityrocarpa moniliformis (Benth.) Luckow & R. W. Jobson. Foram selecionadas 1000 sementes aleatoriamente de 4 lotes distintos, 250 para cada. Utilizou-se um scaner para a aquisição das imagens das sementes, e estas imagens foram usadas para implementar, treinar e testar as redes neurais convolucionais no algoritmo computacional criado. Os resultados obtidos a partir do processamento das imagens pelo algorítimo foram comparados aqueles obtidos a partir dos métodos usualmente utilizados na análise de sementes e realizados de forma não automatizada. Para a determinação da qualidade das sementes, utilizaram-se 5 repetições de 50 sementes, que foram submetidas aos testes de germinação, índice de velocidade de germinação, comprimento de plântulas, massa fresca e seca. O delineamento experimental utilizado foi o inteiramente casualizado, com 5 repetições. Os dados foram submetidos à análise de variância, as médias comparadas pelo teste de Scott-Knott, a 5% de probabilidade e o programa estatístico foi o Sisvar®. As redes pré-treinadas, após 5 épocas de execução, apresentam tendência de melhora da acurácia, no entanto também observou-se indícios de sobre ajuste, uma vez que o desempenho nos dados de treino são melhores do que nos dados de validação (test), o recall (sensibilidade) foi superior a 80% em todas, para a classe germina. O valor do recall foi bem menor para a classe de sementes não germinadas, ambas, abaixo de 20%. Para o modelo customizado obteve-se 85% de recall para a classe não germinação e 18% para germinação, pode ter ocorrido sobreposição ou inversão no reconhecimento das classes. Para as comparações entre as análises computadorizadas, o teste de germinação e IVG ainda indicam necessidade de maior clareza e dados mais representativos quanto a classe não germinação. Os resultados das redes pré-treinadas e do modelo customizado são muito promissores tanto para o conjunto de treinamento e quanto o conjunto de teste, porque pode-se averiguar a viabilidade da germinação da catanduva, porém as análises indicam necessidade de melhorar e ajustar os pré processamento das imagens e o data augmentation.