Título: ANÁLISE DA COLHEITA MECANIZADA DO CAFÉ COM BASE EM MACHINE LEARNING

Título alternativo: ANALYSIS OF MECHANIZED COFFEE HARVEST BASED ON MACHINE LEARNING

Autoria de: Tulio Marcos Militani Alves

Orientação de: Luiz de Gonzaga Ferreira Júnior

Coorientação de: Danton Diego Ferreira

Presidente da banca: Luiz de Gonzaga Ferreira Júnior

Primeiro membro da banca: Fábio Moreira da Silva

Segundo membro da banca: Danton Diego Ferreira

Terceiro membro da banca: Fernando Elias de Melo Borges

Palavras-chaves: Café arábica, colheita mecânica, eficiência, perda de chão, aprendizado de máquina

Data da defesa: 10/03/2021

Semestre letivo da defesa: 2020-2

Data da versão final: 25/03/2021

Data da publicação: 25/03/2021

Referência: Alves, T. M. M. ANÁLISE DA COLHEITA MECANIZADA DO CAFÉ COM BASE EM MACHINE LEARNING. 2021. 49 p. Trabalho de Conclusão de Curso (Graduação em Engenharia Agrícola Bacharelado)-Universidade Federal de Lavras, Lavras, 2021.

Resumo: Visto a grande importância da cafeicultura para o desenvolvimento socioeconômico brasileiro e sabendo que a colheita é o processo mais trabalhoso e complexo da cadeia produtiva do café, este trabalho propõe analisar quais fatores interferem nas eficiências da colheita mecanizada do café e, também, na perda de chão da máquina durante a colheita, por meio do uso de técnicas de aprendizado de máquina (machine learning). Para isso foi desenvolvido um modelo de rede neural artificial (RNA) capaz de predizer a eficiência de derriça, outro capaz de predizer a eficiência de colheita e um terceiro modelo capaz de predizer a perda de chão, ambos com base em 34 fatores adquiridos de um banco de dados da empresa LD Gonzaga Treinamentos e Consultoria Agrícola Ltda. Esses dados foram coletados pela equipe da empresa em duas Fazendas no município de Nepomuceno-MG durante a safra de 2019. Os modelos RNA mostraram-se altamente eficientes na predição das saídas, sendo elas, eficiência de derriça com R² igual a 0,94 e RMSE de 0,05 eficiência de colheita com R² de 0,97 e RMSE de 0,03 e a perda de chão da máquina com R² de 0,93 e RMSE igual a 0,02. Para a interpretação dos resultados gerados pelos modelos RNA, utilizou-se a ferramenta LIME (Local Interpretable Model-agnostic Explanations), a qual possibilitou concluir a ordem dos fatores que mais interferem em cada uma das três saídas e como maximizar as eficiências e reduzir as perdas por meio de recomendações específicas baseadas nos resultados encontrados através da inteligência computacional.

Abstract: It is known that coffee cultivation is of great importance for the socioeconomic development of Brazil and the harvest is the most laborious and complex process in the coffee production chain. In this context, this work was aimed to investigate which factors interfere in the efficiency of the mechanized harvesting of coffee and in the ground loss of the machine during the harvesting, using machine learning techniques. To this end, artificial neural network (ANN) models were developed to predict the efficiency of stripping, the efficiency of harvesting and machine ground loss during harvesting. They were developed based on 34 factors acquired from a database available by the company LD Gonzaga Treinamentos e Consultoria Agrícola Ltda. These data were collected by the company team at two farms in the municipality of Nepomuceno-MG during a harvesting in 2019. The ANN models are highly efficient in data prediction, achieving R² equal to 0.94 and RMSE of 0.05 for stripping efficiency R² of 0.97 and RMSE of 0.03 for harvest efficiency and R² of 0.93 and RMSE of 0.02 for ground loss of the machine. To interpret the results generated by the ANN models, a LIME (Local Interpretable Model-agnostic Explanations) tool was used, which made it possible to comply with an order of the factors that most interfere in each of the three predictions and how to maximize efficiencies and reduce losses through specific recommendations on the results found through computational intelligence.

URI: sip.prg.ufla.br/publico/trabalhos_conclusao_curso/acessar_tcc_por_curso/
engenharia_agricola/20202201610559

URI alternaviva: repositorio.ufla.br/handle/1/47051

Curso: G003 - ENGENHARIA AGRÍCOLA (BACHARELADO)

Nome da editora: Universidade Federal de Lavras

Sigla da editora: UFLA

País da editora: Brasil

Gênero textual: Trabalho de Conclusão de Curso

Nome da língua do conteúdo: Português

Código da língua do conteúdo: por

Licença de acesso: Acesso aberto

Nome da licença: Licença do Repositório Institucional da Universidade Federal de Lavras

URI da licença: repositorio.ufla.br

Termos da licença: Acesso aos termos da licença em repositorio.ufla.br

Detentores dos direitos autorais: Tulio Marcos Militani Alves e Universidade Federal de Lavras

Baixar arquivo