Aplicações de aprendizado de máquina na classificação de pinhões

Scientific Reports volume 12, Número do artigo: 8799 (2022) Citar este artigo

1128 acessos

2 Citações

2 Altmétrica

Detalhes das métricas

Os pinhões não são apenas o importante agente de reprodução e florestação do pinheiro, mas também a castanha comumente consumida com altos valores nutritivos. No entanto, é difícil distinguir entre os pinhões devido à semelhança morfológica entre as espécies. Portanto, é importante melhorar a qualidade dos pinhões e resolver o problema da adulteração de forma rápida e não destrutiva. Neste estudo, sete pinhões (Pinus bungeana, Pinus yunnanensis, Pinus thunbergii, Pinus armandii, Pinus massoniana, Pinus elliottii e Pinus taiwanensis) foram utilizados como espécies de estudo. Foram coletados 210 espectros de infravermelho próximo (NIR) de sete espécies de pinhões, cinco métodos de aprendizado de máquina (Decision Tree (DT), Random Forest (RF), Multilayer Perceptron (MLP), Support Vector Machine (SVM) e Naive Bayes (NB)) foram usados ​​para identificar espécies de pinhões. 303 imagens foram usadas para coletar dados morfológicos para construir um modelo de classificação baseado em cinco modelos de rede neural convolucional (CNN) (VGG16, VGG19, Xception, InceptionV3 e ResNet50). Os resultados experimentais da espectroscopia NIR mostram que o melhor modelo de classificação é o MLP e a precisão é próxima de 0,99. Outro resultado experimental de imagens mostra que o melhor modelo de classificação é o InceptionV3 e a precisão é próxima de 0,964. Quatro faixas importantes de bandas de onda, 951–957 nm, 1.147–1.154 nm, 1.907–1.927 nm, 2.227–2.254 nm, foram consideradas altamente relacionadas à classificação dos pinhões. Este estudo mostra que o aprendizado de máquina é eficaz para a classificação de pinhões, fornecendo soluções e métodos científicos para classificação rápida, não destrutiva e precisa de diferentes espécies de pinhões.

Existem mais de 113 espécies formalmente reconhecidas de Pinus Linn distribuídas principalmente no hemisfério norte1, 2, elas formam uma parte importante dos ecossistemas florestais. O pinhão é a semente do pinheiro, é uma noz comumente consumida, sendo um importante agente de arborização e reprodução3. Os pinhões são ricos em proteínas, ácidos graxos, minerais e vitaminas. Também contêm ácido oleico, ácido linolênico e outros ácidos graxos insaturados, que facilitam a prevenção de doenças cardiovasculares4. O reconhecimento de espécies de pinhão é importante para a segurança alimentar e qualidade do pinhão. Nos últimos anos, o aumento do preço dos pinhões trouxe enormes benefícios econômicos. A produção global de pinhões em 2020-2021 é de cerca de 381.700 toneladas. A China é o principal país importador e exportador de pinhões do mundo. Considerando a semelhança visual entre os pinhões, a possibilidade de adulteração dos produtos é muito alta, e o problema da adulteração tem grande impacto na saúde e na economia. Portanto, como detectar produtos adulterados em pinhões de maneira conveniente, rápida e não destrutiva é um desafio para a segurança alimentar dos pinhões.

Atualmente, métodos comuns de identificação de espécies incluem análise morfológica5, tecnologia de marcadores moleculares6,7,8,9, eletroforese de proteínas10, cromatografia líquida11, análise espectral12,13,14 e reconhecimento de imagem15. A análise morfológica requer um alto nível de especialização que não é facilmente adquirido e, como tal, devido à grande semelhança morfológica entre algumas espécies, a taxa de identificação precisa é baixa16. Embora o uso de marcadores moleculares retorne uma maior taxa de reconhecimento e maior precisão, é uma metodologia destrutiva, demorada e limitada pelo número de marcadores publicados nas bases de dados públicas. Portanto, este estudo estabelece modelos de aprendizado de máquina para classificação de pinhão com base em imagens e espectroscopia de infravermelho próximo (NIR).

A espectroscopia NIR é uma metodologia que faz uso de vibrações moleculares no espectro infravermelho do material. O processo de espectroscopia NIR envolve o aparelho NIR emitindo uma luz infravermelha que entra na amostra. Aqui ele é refletido, refratado, difundido e absorvido e, finalmente, carrega as informações da amostra de volta ao detector. Essa metodologia é conveniente, rápida, não destrutiva e econômica. Tem sido usado em muitos campos agrícolas, incluindo pesquisas na produção de trigo17, soja18, feijão-caupi19 e arroz12. Até o momento, existem poucos relatos sobre a aplicação da espectroscopia NIR na pesquisa florestal e de pinhão. Especificamente, Tigabu et al.20 coletaram dados espectrais de NIR visível de castanhas de Pinus sylvestris em diferentes áreas e pré-processaram os dados espectrais por meio de Correção de Dispersão Multiplicativa (MSC). A fonte de nozes foi construída através de Modelagem Independente Suave de Analogia de Classes (SIMCA) e Análise Discriminante de Mínimos Quadrados Parciais (PLS-DA). Loewe et al.21 coletaram dados espectrais NIR de Pinus pinea mediterrâneo de plantações chilenas para classificação. Moscetti et al.22 coletaram os dados espectrais NIR das castanhas de P. pinea e Pinus sibirica em diferentes regiões e estabeleceram um modelo de classificação espectral usando os métodos PLS-DA e Intervalo PLS-DA (IPLS-DA). No entanto, os efeitos de outros modelos de classificação diferentes ainda precisam ser discutidos em mais espécies de pinhão.