Titulo Estágio
Visão Computacional Aplicada à Redução do Desperdício Alimentar
Local do Estágio
Maia e Matosinhos
Enquadramento
O desperdício alimentar é um dos maiores desafios ambientais e económicos da atualidade, especialmente no setor da distribuição alimentar. Grande parte dos produtos frescos — como frutas, legumes, peixe e carne — são descartados prematuramente devido à dificuldade em avaliar com precisão o seu estado de conservação. A deteção precoce de sinais de deterioração e a previsão da vida útil remanescente destes produtos são essenciais para uma gestão de stock mais eficiente, permitindo reduzir significativamente o desperdício.
Este desafio tem sido reconhecido por várias empresas do setor, nomeadamente a MC Sonae, que assumiu compromissos públicos através da sua estratégia de sustentabilidade. Um dos eixos dessa estratégia é precisamente a redução do desperdício alimentar ao longo da cadeia de valor. Iniciativas que permitam uma gestão mais inteligente e proativa dos produtos frescos alinham-se diretamente com os objetivos da empresa.
Com os avanços na visão computacional e na inteligência artificial, torna-se crucial desenvolver sistemas capazes de analisar imagens e prever o estado de frescura dos produtos. Este projeto propõe a criação de um sistema que, com base em imagens e informações adicionais, classifique o estado de frescura atual dos produtos até à deterioração, auxiliando a tomada de decisão no retalho alimentar e contribuindo para a sustentabilidade operacional da MC e uma melhor perceção de produtos frescos.
Objetivo
Desenvolver um sistema baseado em técnicas de visão computacional e machine learning para:
- Detetar automaticamente o estado de conservação de produtos frescos com base em imagens
- Classificar o nível de frescura (até o produto atingir um estado de deterioração crítica)
- Avaliar o desempenho de diferentes abordagens de modelação
Propor medidas práticas para otimização da gestão de stock com base na classificação obtida.
Plano de Trabalhos - Semestre 1
Fase I — Revisão do Estado da Arte
Estudo de trabalhos científicos e soluções existentes sobre
Deteção de frescura de alimentos com visão computacional
Classificação de nível de frescura baseada em dados
Aplicações em retalho alimentar
Fase II — Definição do Problema e Arquitetura do Sistema
Especificação do problema
Definição de requisitos
Desenho da arquitetura geral
Desenvolvimento da dissertação intermédia
Plano de Trabalhos - Semestre 2
Fase III — Recolha e Preparação dos Dados
Parte do projeto será a recolha e avaliação das diferentes fontes.
Sabemos que as CNNs exigem grandes quantidades de imagens anotadas para um bom funcionamento. Desta forma, o plano do projeto segue um pipeline baseado em três fontes de dados complementares:
Banco de dados open source: Nesta fase inicial iremos utilizar um banco de dados público - Fresh and Rotten Classification(Kaggle), disponível em https://www.kaggle.com/datasets/swoyam2609/fresh-and-stale-classification. Este dataset será utilizado para uma análise preliminar onde serão testadas diferentes arquiteturas do modelo de CNNs.
Imagens anotadas a ser recolhidas em projeto interno a iniciar no próximo mês de setembro. A recolha será realizada em contexto real, em supermercados da MC, com registo visual da degradação progressiva de produtos frescos (fruta, legumes, peixe e carne) ao longo de vários dias.
Imagens geradas artificialmente: Com o objetivo de reforçar o dataset interno e equilibrar a distribuição entre classes, será implementada a geração de imagens sintéticas. Esta abordagem permite-nos aumentar a diversidade visual do conjunto de treino, especialmente em estados de conservação menos representados.
Para isso, serão utilizados modelos generativos avançados, nomeadamente:
cVAEs (Conditional Variational Autoencoders);
GANs (Generative Adversarial Networks);
DDPMs (Denoising Diffusion Probabilistic Models);
A escolha do modelo generativo final dependerá da qualidade e diversidade dos dados reais recolhidos, que é apoiado com o uso da métrica FID (Fréchet Inception Distance), que permite avaliar de forma objetiva a semelhança entre as imagens reais e imagens geradas. Além disso, será realizada uma análise comparativa entre os três modelos, de forma a fundamentar tecnicamente a decisão do modelo final.
Desta forma, as imagens geradas artificialmente ajudaram a aumentar a variabilidade do conjunto de treino, melhorando a capacidade de generalização dos modelos de classificação de frescura. Esta abordagem visa, assim reduzir a necessidade de recolher uma quantidade elevada de dados reais, mantendo contudo elevados níveis de desempenho. Com o conjunto de dados enriquecido e equilibrado, procede-se então à fase de treino dos modelos de classificação baseados em CNNs.
Criação de um dataset de imagens de frescos
Redefinição do âmbito, de acordo com as necessidades do negócio
Fase IV — Treino e Validação de Modelos AI
Implementação de modelos pré-treinados e/ou treino dos modelos
Medição e análise comparativa de desempenho
Implementação do modelo de classificação de nível de frescura
Fase V — Redação da Dissertação
Escrita da dissertação com apresentação dos resultados obtidos
Condições
O estudante terá direito a subsídio de alimentação.
No 2º semestre, disponibilização dos recursos necessários ao desenvolvimento do trabalho com qualidade (portátil da empresa com acesso a dados e software necessário ao normal desenvolvimento da atividade).
Tipologia de trabalho híbrida, sendo presencial conforme necessário para o bom desenvolvimento do trabalho.
Orientador
Teresa Sarmento Henriques
teshenriques@mc.pt 📩