1. Uso de redes neurais na classificao de frutas Romualdo Andr da Costa

2. Introduo Maiores produtores mundiais de frutas: 1)China 2)ndia 3)Brasil 3. Introduo Desperdcio de 20% segundo a IBRAF. Segundo a FAO 1,3 bi de ton. de alimentos so desperdiados no mundo 4. Introduo Classificao das frutas Maturao, qualidade, variedade Substituir a classificao manual Fatores subjetivos Tcnicas destrutivas e no destrutivas Redes Neurais Artificiais em diversas topologias. 5. Seleo de tomates para processamento industrial por meio de redes neurais aplicadas em sistema de viso computacional (Denis, C. e Assis, W., 2007) 6. Matlab 10 tomates de cada classificao Entrada: Cores no padro La*b* L (brilho, preto at branco), a* (verde at vermelho) e b* (amarelo at azul) Camada interna: 5 neurnios Sada: pintando, colorido e vermelho 10000 pocas EQM: 1.52726x10-12 7. Classificao de laranjas baseada em padres visuais (da Silva Simes, A. e Costa, A. H. R., 2003) 8. Fatores de iluminao interferem RNA para determinar o vetor de cores Fuzzy C-means para criar a classificao Acerto de 100% e rejeio de frutas fora do padro. Classificao de laranjas baseada em padres visuais (da Silva Simes, A. e Costa, A. H. R., 2003) 9. Application of neural networks to the color grading of apples (Nakano, K., 1997) 10. 9 caractersticas de cor da fruta RNA 1: pixel da imagem RNA 2: qualidade da fruta 5 categorias: AA, A, B, C, D A 33%, AA 92%, B 65%,C 87,2%,D 75% Application of neural networks to the color grading of apples (Nakano, K., 1997) 11. Classification of three varieties of peach fruit using artificial neural network assisted with image processing techniques (Alipasand, A., Ghaffari, H. e Alibeygl, S. Z.,2013) 12. Matlab Caractersticas de cor e forma 70% treino, 20% validao e 10% teste Algoritmo de Levenberg-Marquardt e funo de ativao tangente sigmoide 94,1% e 98,5% para frutas maduras e verdes Classification of three varieties of peach fruit using artificial neural network assisted with image processing techniques (Alipasand, A., Ghaffari, H. e Alibeygl, S. Z.,2013) 13. Anlise de Qualidade de Frutas por imagens multiespectrais (Rodrigues, J. C., Lavoier Filho, J. M. e de Castro Jorge, L. A., 2013) 14. Java Advanced Image API (JAI) Waikato Environment Analysis (WEKA) para redes neurais CIE La*b* Espectro R (vermelho), G (verde) e IR (infravermelho) O uso de Infravermelho possibilitou medir a regio com mais gua e assim o grau de maturao da fruta Anlise de Qualidade de Frutas por imagens multiespectrais (Rodrigues, J. C., Lavoier Filho, J. M. e de Castro Jorge, L. A., 2013) 15. Development of a Neural Network Classifier for Date Fruit Varieties Using Some Physical Attributes (Hobani, A. I., Thottam, A. M., & Ahmed, K. A., 2003) 16. A qualidade das tmaras melhor medida pela forma, tamanho e cor Quantidade de gua 100 de cada variedade 70% treinamento e 30% teste NeuroSolutions RNA comparada com anlise discriminantes linear no SPSS. 99,6% de acerto na RNA e 99,4% no SPSS. Development of a Neural Network Classifier for Date Fruit Varieties Using Some Physical Attributes (Hobani, A. I., Thottam, A. M., & Ahmed, K. A., 2003) 17. Neural Network Model for Predicting and Classifying Exotic Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria, H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011) Mangosto Durio 18. Para o durio: melhor rede foi com 10 camadas escondidas 5000 iteraes e EQM 0.003. O acerto foi de 79% para frutas inteiras e 71% para defeituosas. Exatido 94% para a fruta parcialmente madura, 82% totalmente madura, 100% amadurecida e 60% muito amadurecida. Neural Network Model for Predicting and Classifying Exotic Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria, H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011) 19. Para o mangosto: 3 RNA frutas inteiras das defeituosas, maturidade e doura 9 neurnios na camada escondida, 25000 iteraes, 80% frutas inteiras e 100% defeituosas. 21 neurnios na camada escondida 100% para as classes 0, 1, 2 e 4 e 33,3% para classe 3. 10 neurnios na camada escondida e EQM 0.003. Classe no doce 100%, muito doce 66,7% e doce 93.8%. Neural Network Model for Predicting and Classifying Exotic Tropical Fruits Based on Its Maturity and Ripeness (Purwadaria, H. K., Budiastra, I. W., Rejo, A., & Nasution, D. A., 2011)