CornGrain : base de dados e classificação automática de grãos de milho

A população mundial continua aumentando. Já somos oito bilhões de pessoas e, para garantir a oferta de alimentos em quantidade suficiente para todos, é necessário que a produção também aumente, porém de forma sustentável e equilibrada. O Brasil pode desempenhar um papel importante nesse cenário, já que é um dos maiores produtores de grãos do mundo. Contudo, além de focar no aumento da capacidade produtiva, é importante garantir a qualidade dos grãos produzidos, tanto para o mercado interno quanto externo. A classificação de grãos é um processo minucioso que analisa amostras de grãos objetivando determinar a qualidade de um lote. O processo de análise, em geral, é realizado por uma pessoa treinada, porém um grande desafio é a subjetividade, ainda mais quando o grão está no limiar do que exige a normativa. A tecnologia pode auxiliar na otimização dessa tarefa, principalmente, nas áreas de visão computacional e aprendizado de máquina. Neste contexto, o objetivo deste trabalho é criar uma base de dados com amostras rotuladas de grãos de milho e, em seguida, treinar modelos no estado-da-arte para realizar a classificação dos grãos, oferecendo uma análise comparativa para identificar o modelo mais promissor. Este trabalho compara os resultados das redes YOLO v8, EfficientDet e Faster R-CNN com arquiteturas variando das mais simples e leves à mais completas respectivamente. Os resultados alcançados demonstram que, para o problema de classificação de qualidade de grãos, qualquer um dos modelos treinados alcança o desempenho necessário para realizar a tarefa com sucesso. Assim, conclui-se que a rede YOLO v8, sendo a mais leve entre as analisadas, é adequada para a solução do problema e automatização do processo de classificação de grãos.