RESUMO
A presença de sementes esverdeadas representa um obstáculo ao potencial produtivo da cultura da soja, gerando impactos significativos no aspecto visual e na qualidade fisiológica. Tradicionalmente, as sementes são avaliadas visualmente, um método sujeito à subjetividade e erros humanos. Frente a isto, esta pesquisa propõe uma abordagem inovadora que integra análise de imagens e inteligência artificial para desenvolver um modelo de aprendizado de máquina capaz de distinguir sementes esverdeadas de amarelas com base em parâmetros de cor. Este estudo visa aprimorar a precisão na avaliação das sementes e expandir o entendimento sobre a relação entre a tonalidade da cor das sementes e sua qualidade fisiológica. A inteligência artificial foi treinada com 12.000 imagens caputuras e processadas pelo GroundEye® S800D. A metodologia empregada para treinar o sistema envolveu a utilização de uma árvore de decisão, utilizando a biblioteca sklearn.tree do Python. Cada semente, após a captura de imagem, foi submetida a um teste de germinação padrão. As plântulas normais foram então reanalisadas no GroundEye® S800D para determinar seu vigor através da mensuração do tamanho de raiz primária e hipocótilo. Sementes de soja amarelas demonstram qualidade fisiológica superior às esverdeadas, destacando-se em germinação e crescimento da plântula. O ângulo de tonalidade (h) e a luminosidade (L) mostraram-se os critérios mais responsivos ao modelo de aprendizado de máquina, alcançando uma acurácia de 89,7%. O ângulo de tonalidade demonstrou ser um preditor robusto, correlacionando-se com altas taxas de germinação em sementes com ângulo inferior a 97,5°. A relação entre a viabilidade das sementes e o ângulo de tonalidade foi apoiada por um coeficiente de determinação (R²) de 73%.
Termos para indexação:
Qualidade de sementes; análise de imagem; modelo de aprendizado de máquina.