| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 7.49 MB | Adobe PDF |
Abstract(s)
Recent years have seen a remarkable growth trend in avocado consumption, with projections that its exports will overpass those of pineapple by 2030, becoming the second most traded tropical fruit, just surpassed by the banana. When paired with their high unit value, this growth could make the avocado one of the most important fruit commodities of the next decades. The economic relevance of avocado production has influenced its expansion into new regions of the world. Portugal is now the second largest producer of avocados in Europe, taking advantage of the climatic adequacy of the Algarve region to the requirements of this produce. As the production of avocados is still limited to the tropical and subtropical regions, its exports are directly impacted by time-consuming distribution channels. Combined with the relatively high unpredictability of their post-harvest behaviour, this makes avocado fruits highly prone to wasteful practices. The development of non-destructive tools that accurately trace the ripening process of avocado fruits could then be key to a better management of their shelf-life, optimizing their post-harvest handling to a point of drastically reducing distribution waste. This project aimed to develop a smart data-driven tool that uses Machine Learning to improve the traceability of the ripening process of Hass avocado pears. A total of 476 avocados were divided between three storage groups, with different environmental conditions, and their ripening behaviour was traced by the implementation of an innovative 5-stage Ripening Index, that classified the ripening stage of each sample, daily, according to a set of common traits. This information was paired with daily photographs of each avocado, to build a database of labelled image data that was then fed to two Convolutional Neural Networks, AlexNet and ResNet-18, taking advantage of the concept of transfer-learning where pre-trained knowledge is used to improve their adaptation to new sets of data. The networks were trained to recognise the specific visual traits of each ripening stage, so that they could predict the state of new unlabelled data. This knowledge was tested on new datasets, reaching an average final accuracy of 77,8%, with an average of 88,4% of the predictions falling within a half-stage margin of error, and an average of 95,0% within one stage of the attributed classifications. Both pre-trained networks achieved similar performances, with a slight advantage for ResNet-18, and the results were also similar across storage groups, suggesting that the predictive accuracy wasn’t affected by the handling of the fruits. These results represent an important step for the integration of Computer Vision tools on the post-harvest management of perishable products, which could not only improve shelf-life determinations, but ultimately be expanded into other assessments, with a major potential impact on waste prevention and quality improvement.
Os últimos anos têm registado uma clara tendência de crescimento no consumo de pera-abacate, com projeções a apontarem para que as suas exportações ultrapassem as do ananás até 2030, passando a ser o segundo fruto mais comercializado entre os de natureza tropical, apenas ultrapassado pela banana. Tendo em conta o seu elevado valor unitário, este crescimento poderia tornar o abacate numa das mais importantes mercadorias hortícolas das próximas décadas. A relevância económica da produção de abacateiro influenciou a sua expansão para novas regiões do mundo. Portugal é agora o segundo maior produtor de pera-abacate na União Europeia, tirando partido da adequação climática da região do Algarve às especificidades desta cultura. Dada a relativa limitação da cultura do abacateiro às regiões tropicais e subtropicais, as exportações de abacate são normalmente caracterizadas por longas redes de distribuição, o que quando combinado com o elevado grau de imprevisibilidade do seu comportamento pós-colheita, faz com que este seja um fruto altamente suscetível ao desperdício. O desenvolvimento de ferramentas não-destrutivas que consigam acompanhar com precisão o processo de amadurecimento da pera-abacate podem ser o fator chave para uma melhor gestão do seu tempo de prateleira, otimizando as práticas de processamento e distribuição deste fruto, de forma a reduzir drasticamente a sua taxa de desperdício. O objetivo deste projeto foi desenvolver uma ferramenta de gestão inteligente de informação, que usa Aprendizagem Automática para melhorar a gestão do amadurecimento de abacates Hass. Um total de 476 frutos foram divididos por três grupos de armazenamento, com diferentes condições atmosféricas, e o seu comportamento pós-colheita foi acompanhado através da implementação de um inovador Índice de Amadurecimento de cinco etapas, que classificou diariamente as amostras de acordo com um conjunto de características comuns. A esta informação foram associadas fotografias diárias de cada abacate, para construir uma base de dados catalogada de imagens, que foram fornecidas a duas Redes Neuronais Convolucionais, AlexNet e ResNet-18, tirando proveito do conceito de Aprendizagem de Transferência, onde o conhecimento pré-adquirido pelas redes é usado para melhorar a sua adaptação a nova informação. As redes foram treinadas para reconhecer as características visuais de cada etapa, de forma a conseguir prever o ponto de amadurecimento de frutos não classificados. Esta aprendizagem foi testada em novos conjuntos de imagens de pera-abacate, conseguindo-se uma precisão final média de 77,8%, onde uma média de 88,4% das previsões se encontraram dentro de uma margem de erro de meia etapa, e uma média de 95,0% com um máximo de uma etapa de diferença das classificações atribuídas. Ambas as redes registaram performances semelhantes, com uma ligeira vantagem para a ResNet-18, e não se registaram diferenças significativas entre os três grupos, dando a entender que a precisão das previsões não terá sido afetada pelas suas condições de armazenamento. Estes resultados representam um avanço importante para a integração de Visão Computacional na gestão pós-colheita de produtos hortícolas, que poderá não só trazer melhorias na determinação dos seus tempos de prateleira, como ser extensível a outras aplicações com potencial de grande impacto na gestão de qualidade e redução de desperdício.
Os últimos anos têm registado uma clara tendência de crescimento no consumo de pera-abacate, com projeções a apontarem para que as suas exportações ultrapassem as do ananás até 2030, passando a ser o segundo fruto mais comercializado entre os de natureza tropical, apenas ultrapassado pela banana. Tendo em conta o seu elevado valor unitário, este crescimento poderia tornar o abacate numa das mais importantes mercadorias hortícolas das próximas décadas. A relevância económica da produção de abacateiro influenciou a sua expansão para novas regiões do mundo. Portugal é agora o segundo maior produtor de pera-abacate na União Europeia, tirando partido da adequação climática da região do Algarve às especificidades desta cultura. Dada a relativa limitação da cultura do abacateiro às regiões tropicais e subtropicais, as exportações de abacate são normalmente caracterizadas por longas redes de distribuição, o que quando combinado com o elevado grau de imprevisibilidade do seu comportamento pós-colheita, faz com que este seja um fruto altamente suscetível ao desperdício. O desenvolvimento de ferramentas não-destrutivas que consigam acompanhar com precisão o processo de amadurecimento da pera-abacate podem ser o fator chave para uma melhor gestão do seu tempo de prateleira, otimizando as práticas de processamento e distribuição deste fruto, de forma a reduzir drasticamente a sua taxa de desperdício. O objetivo deste projeto foi desenvolver uma ferramenta de gestão inteligente de informação, que usa Aprendizagem Automática para melhorar a gestão do amadurecimento de abacates Hass. Um total de 476 frutos foram divididos por três grupos de armazenamento, com diferentes condições atmosféricas, e o seu comportamento pós-colheita foi acompanhado através da implementação de um inovador Índice de Amadurecimento de cinco etapas, que classificou diariamente as amostras de acordo com um conjunto de características comuns. A esta informação foram associadas fotografias diárias de cada abacate, para construir uma base de dados catalogada de imagens, que foram fornecidas a duas Redes Neuronais Convolucionais, AlexNet e ResNet-18, tirando proveito do conceito de Aprendizagem de Transferência, onde o conhecimento pré-adquirido pelas redes é usado para melhorar a sua adaptação a nova informação. As redes foram treinadas para reconhecer as características visuais de cada etapa, de forma a conseguir prever o ponto de amadurecimento de frutos não classificados. Esta aprendizagem foi testada em novos conjuntos de imagens de pera-abacate, conseguindo-se uma precisão final média de 77,8%, onde uma média de 88,4% das previsões se encontraram dentro de uma margem de erro de meia etapa, e uma média de 95,0% com um máximo de uma etapa de diferença das classificações atribuídas. Ambas as redes registaram performances semelhantes, com uma ligeira vantagem para a ResNet-18, e não se registaram diferenças significativas entre os três grupos, dando a entender que a precisão das previsões não terá sido afetada pelas suas condições de armazenamento. Estes resultados representam um avanço importante para a integração de Visão Computacional na gestão pós-colheita de produtos hortícolas, que poderá não só trazer melhorias na determinação dos seus tempos de prateleira, como ser extensível a outras aplicações com potencial de grande impacto na gestão de qualidade e redução de desperdício.
Description
Keywords
Avocado Smart data Ripening Shelf-life Data-driven prediction Abacate Aprendizagem automática Amadurecimento Tempo de prateleira