Banca de DEFESA: IVAN DAVID BRICEÑO PINZON

Uma banca de DEFESA de DOUTORADO foi cadastrada pelo programa.
DISCENTE: IVAN DAVID BRICEÑO PINZON
DATA: 19/05/2026
HORA: 08:00
LOCAL: Sala de Videoconferência do DAG
TÍTULO:

SEMENTES DE MILHO POPPED KERNEL E FURADAS: ARMAZENABILIDADE E CLASSIFICAÇÃO DE DEFEITOS POR MEIO DE ALGORITMOS DE APRENDIZADO DE MÁQUINA.

PALAVRAS-CHAVES:

controle de qualidade; sementes defeituosas; aprendizado de máquina.

PÁGINAS: 100
GRANDE ÁREA: Ciências Agrárias
ÁREA: Agronomia
SUBÁREA: Fitotecnia
ESPECIALIDADE: Produção e Beneficiamento de Sementes
RESUMO:

O milho é uma das culturas mais produzidas no mundo, de grande relevância
econômica e alimentar. A matéria prima semente, é responsável por transferir os
avanços do melhoramento genético, garantindo sob manejo adequado, altas
produtividades. Sua qualidade integra os atributos físicos, fisiológicos, genéticos e
sanitários, base do potencial produtivo da cultura. No entanto, estresses bióticos e
abióticos podem reduzir sua qualidade, favorecendo o surgimento de sementes
defeituosas tipo popped kernel (PK) e furadas. O objetivo no presente trabalho foi
avaliar a qualidade fisiológica de sementes de milho com defeitos tipo popped kernel e
furadas ao longo do armazenamento, além de avaliar a capacidade de classificação
desses defeitos utilizando algoritmos de aprendizado de máquina supervisionado.
Amostras contendo 5 proporções de defeitos, foram armazenadas sob condições
ambientais. Avaliações de qualidade fisiológica foram realizadas no início e a cada três
meses, até completar nove meses para sementes PK e 12 meses para amostras com
defeito furado. Imagens de sementes defeituosas e sadias, foram capturadas, e após o
processamento, quatro modelos de aprendizado supervisionado e o sistema groundEye,
foram utilizados para classificação. Os resultados mostraram que amostras com
presença de danos maiores a 2,5% para de sementes furadas e 7,5% para sementes PK,
reduzem a germinação e o vigor aos 3 e 6 meses, respectivamente. Os modelos MLP
(Multi-layer perceptron) e SVM (Support vector machine), demonstraram desempenhos
superiores, com boa classificação de sementes defeituosas, enquanto o sistema
groundEye, um número reduzido de variáveis demostrou boa capacidade de
classificação. Níveis de tolerância de presença de sementes defeituosas foram
determinados para cada defeito sem prejudicar o potencial fisiológico das sementes.
Metodologias baseadas em imagens, podem auxiliar as análises laboratoriais, com
resultados rápidos, precisos e com redução da subjetividade.

MEMBROS DA BANCA:
Externo ao Programa - RENATO RIBEIRO DE LIMA - DES/ICET (Membro)
Presidente - RAQUEL MARIA DE OLIVEIRA PIRES (Membro)
Externo à Instituição - MARCONE MOREIRA SANTOS - UFRPE (Suplente)
Interno - MARCELA CARLOTA NERY - UFVJM (Membro)
Externo à Instituição - LAÉRCIO JUNIO DA SILVA - UFV (Membro)
Externo à Instituição - DAYLIANE BERNARDES DE ANDRADE - Bayer (Membro)
Externo ao Programa - DANTON DIEGO FERREIRA - DAT/EENG (Suplente)