Towards an automatic classification of Tahiti lime

Abstract

The Tahiti lime accounts for a significant portion of Brazil’s fruit exports. The quality classification of fruits is a critical issue for agribusiness, as the price of fruit is determined by its quality. Autonomous fruit classification has become an essential process, as it allows for the rapid and efficient selection of fruits for export. This capability reduces costs and enhances competitiveness in the agribusiness market. In this context, the creation of an automatic classifier system for Tahiti lime images using computer vision has been proposed. This system is capable of classifying limes based on their basic characteristics, such as color, size, and possible deformations. To train the proposed system and evaluate the results of the applied machine learning techniques, a database containing hundreds of Tahiti lime images arranged in different ways under various lighting conditions was created. To expand the created database, data augmentation will be applied, where the initial sample quantity will be increased by using the original image and altering it to obtain another image, or by generating new samples through SMOTE. The results obtained with the proposed model meet the quality standards established by UNECE in terms of file size. The best classifier achieved satisfactory results in terms of maturity and presence of defects, achieving over 85% accuracy using XGB.

O limão do Tahiti responde por grande parte das exportações de frutas do Brasil. A classificação da qualidade das frutas é uma questão crítica para o agronegócio, uma vez que o preço da fruta é determinado por sua qualidade. A classificação autônoma de frutas tornou-se um processo essencial, pois permite a seleção rápida e eficiente de frutas para exportação. Essa capacidade reduz custos e aumenta a competitividade no mercado do agronegócio. Neste contexto, foi proposta a criação de um sistema classificador automático de imagens de limas Tahiti que utiliza visão computacional e é capaz de classificar limas utilizando suas características básicas, como cor, e tamanho e possíveis malformações. Para treinar o sistema proposto e avaliar os resultados das técnicas de machine learning aplicadas, foi criado um banco de dados contendo centenas de imagens de limas Tahiti dispostas de diferentes maneiras sob diversas condições de iluminação. Para expandir o banco de dados criado, foi aplicado data aumengtation, onde a quantidade de amostras iniciais foi ampliada através da geração de novas amostras através de Synthetic Minority Oversampling Technique (SMOTE). Os resultados obtidos com o modelo proposto atendem aos padrões de qualidade estabelecidos pela United Nations Economic Commission for Europe (UNECE) em termos de classificação de maturidade e de avaliação de presença de defeitos. O melhor classificador obteve resultados satisfatórios em termos de maturidade e presença de defeitos, atingindo mais de 90% de precisão usando Extreme Gradient Boosting (XGB