Computer vision by unsupervised machine learning in seed drying process Translated title: Visão computacional por aprendizado de máquina não supervisionado no processo de secagem de sementes

Abstract

ABSTRACT Analyzing the impact of harvest-time drying data is crucial for successful storage and maintaining regulatory seed quality. This study aimed to assess the performance of fixed and mobile dryers using machine learning techniques. Data were collected from convective dryers, including the total number of dryers used, drying time (in hours), moisture percentages at the product’s entrance and exit, and the humidity difference between them. The study employed the Filtered Clusterer model, which utilizes the Simple K-Means technique and the Resample filter to group data based on similarities. The findings indicated distinct differences between fixed and mobile drying systems, with well-defined variations within each system. The algorithm, combined with the applied filters, proved effective in unsupervised classification by identifying and reducing inter-cluster similarity within the fixed system, thereby creating distinct classes within the dataset. In conclusion, the algorithm successfully clustered the scattered dataset and accurately classified and minimized inter-cluster similarity within the fixed system. Conversely, the mobile system exhibited low drying efficiency.

Translated abstract

RESUMO Analisar os efeitos de dados de secagem em época de safra é primordial para o sucesso do armazenamento, além de manter a qualidade fisiológica das sementes. O objetivo com este trabalho foi avaliar o desempenho de secagem em secadores fixo e móveis através de aprendizado de máquinas. Os dados foram coletados de secadores convectivos, com base em: i) total de secadores trabalhados; ii) tempo de duração de secagem (horas); iii) percentual de umidade na entrada e saída do produto (%); e iv) diferenças de umidade entres ambas (%). Foi utilizado o modelo Filtered Clusterer, baseado na técnica Simple K-Means e filtro Resample, para agrupar dados com base em suas similaridades. Os resultados apresentados demonstram que o sistema de secagem é distinto entre os equipamentos fixo e móvel, com diferenças bem definidas dentro dos sistemas de secagem estabelecidos. O algoritmo juntamente com os filtros demonstrou ser eficiente na classificação não supervisionada, identificando e minimizando similaridade inter-cluster do sistema fixo definindo em classes distintas dentro do conjunto de dados. Conclui-se, que o conjunto de dados dispersos são agrupados de modo que o algoritmo classifica e minimiza similaridade inter-cluster do sistema fixo com alta precisão. Por outro lado, o desempenho da secagem em sistema móvel apresentou baixa eficiência.