Conjuntos de dados anotados de pilhas de cachos de frutos de dendezeiro para classificação de amadurecimento usando aprendizado profundo

Scientific Data volume 10, Número do artigo: 72 (2023) Citar este artigo

2091 acessos

4 Altmétrica

Detalhes das métricas

A qualidade do óleo de palma é fortemente influenciada pelo nível de maturidade do fruto a ser processado em óleo de palma. Muitos estudos foram realizados para detectar e classificar o nível de maturidade do fruto do dendê para melhorar a qualidade com o uso de visão computacional. No entanto, a maioria desses estudos usa conjuntos de dados na forma de imagens de cachos de frutas frescas de dendê (FFB) com categorização incompleta de acordo com as condições reais em fábricas de óleo de palma. Portanto, este estudo apresenta um novo conjunto de dados completo obtido diretamente de lagares de óleo de palma na forma de vídeos e imagens com diferentes categorias de acordo com as condições reais enfrentadas pela seção de classificação do lagar de óleo de palma. O conjunto de dados de vídeo consiste em 45 vídeos com uma única categoria de vídeos FFB e 56 vídeos com uma coleção de FFB com várias categorias para cada vídeo. Os vídeos são coletados usando um smartphone com tamanho de 1280 × 720 pixels no formato .mp4. Além disso, este conjunto de dados também foi anotado e rotulado com base no nível de maturidade do fruto do dendê com 6 categorias, que são verdes, pouco maduros, maduros, maduros demais, cachos vazios e frutos anormais.

Para produzir óleo de palma de qualidade, são necessários frutos de palma maduros. A maturidade dos cachos de frutos de dendê (FFB) é geralmente determinada pelo número de frutos soltos que caem do cacho1. Além disso, a maturidade também pode ser percebida pela coloração do fruto, do preto ao alaranjado. Normalmente, a determinação da maturidade do CFF é feita pela inspeção visual da cor do fruto. A inspeção visual do amadurecimento da cor tem várias desvantagens quando o FFB está em uma árvore alta e depende da percepção do observador. A detecção do amadurecimento pela espera da queda dos frutos pode causar perdas na safra. A detecção de amadurecimento em árvores altas torna difícil para os observadores determinar frutos maduros devido à distância e à iluminação. Muitos estudos relacionados à detecção do amadurecimento de frutos de dendê foram realizados, seja com uma abordagem de visão computacional2,3,4,5,6,7,8,9,10,11,12 ou com uma abordagem de sensor de luz13,14 ,15,16,17, mas não obtiveram resultados satisfatórios devido às características complexas do fruto do dendê, como coloração irregular dos frutos maduros, frutos do dendê em cachos que parecem pequenos e diferentes níveis de maturidade dos frutos em alguns variedades. A Tabela 1 mostra os resultados de um estudo para classificar e detectar o nível de maturidade da CFF do dendê. O conjunto de dados tem limitações, como categorização incompleta e falta de variações FBB, tornando-o substancialmente diferente das condições do mundo real.

A pesquisa com visão computacional geralmente é feita com base na imagem de entrada para detectar a cor do fruto, enquanto a pesquisa com sensor de luz é feita analisando os resultados do espectro de luz emitido para o fruto do dendê. A maioria dos estudos anteriores usou entrada de imagem de óleo de palma ou o espectro de cores do fruto do óleo de palma porque com essa entrada o processo de detecção é mais eficiente. Vários estudos anteriores usando uma abordagem de visão computacional com uma imagem de entrada foram realizados usando o método SVM com 3 classes18, ou seja, cru, pouco maduro e maduro. A pesquisa com aprendizado profundo para detecção de maturação foi realizada usando o EfficientNet3 com conjuntos de dados de imagem única. A detecção de amadurecimento de óleo de palma em tempo real usando YOLOv4 com conjunto de dados de 3 classes foi proposta19 para o sistema de colheita e outra pesquisa de detecção de amadurecimento em tempo real no processo de colheita foi proposta usando YOLOv320. Com base nos resultados deste estudo de literatura, não há conjuntos de dados de dendezeiros na forma de imagens ou vídeos de coleções ou pilhas de cachos de frutas frescas de dendezeiros com várias categorias ou categorias únicas. Este artigo fornece conjuntos de dados de imagem e vídeo de coleções ou pilhas de cachos de frutas frescas de dendezeiros retirados diretamente de fábricas de óleo de palma no sul de Kalimantan. Na seção de classificação, smartphones foram usados ​​com 6 níveis de maturidade de frutos de dendê, que são verdes, pouco maduros, maduros, maduros demais, cachos vazios e frutos anormais (Fig. 1). Há pesquisas para detectar dendê em tempo real usando YOLOv4, os dados usados ​​são cachos de frutas frescas de dendê que ainda estão presos a árvores com classes maduras e verdes11. No entanto, esta pesquisa não é totalmente aplicável porque só pode ser usada em plantações de dendê, enquanto que para realizar uma avaliação em uma fábrica de óleo de palma são necessárias mais de 2 classes para evitar níveis de maturidade inadequados.