Modelo de detecção por imagens do ataque da Spodoptera frugiperda em plantações de milho
| Nível educacional (dc.audience.educationLevel) | Graduação | pt_BR |
| Orientador(a) (dc.contributor.advisor) | Figueiredo, Rodrigo Marques de | |
| Lattes Orientador(a) (dc.contributor.advisorLattes) | http://lattes.cnpq.br/0192178587738651 | pt_BR |
| Autor(a) (dc.contributor.author) | Trombetta, Moacyr Júnior | |
| Curso (dc.curso) | Engenharia Elétrica | pt_BR |
| Data de Disponibilização (dc.date.accessioned) | 2024-03-11T18:09:24Z | |
| dc.date.available (dc.date.available) | 2024-03-11T18:09:24Z | |
| Data da defesa / Data do evento (dc.date.issued) | 2022-12-01 | |
| Resumo (dc.description.resumo) | Os métodos tradicionais de monitoramento de pragas que utilizam técnicas baseadas em avaliação visual humana e aferição manual de plantas, são métodos geralmente custosos, len tos e tolerantes a erros. Identificar a presença de pragas no início da sua invasão facilita o seu controle, diminuindo custos com pesticidas e preservando a produtividade da plantação. No ramo da inteligência artificial existem ferramentas robustas de análise visual que são emprega das com sucesso em diversas áreas, tornando-se tendência para a agricultura. Sendo assim, este estudo propôs a utilização de redes neurais convolucionais para identificar e classificar o dano do ataque da Spodoptera frugiperda na folha do milho. O modelo utilizado foi o Faster R-CNN, juntamente com o extrator de características VGG16. O modelo foi treinado para identificar e classificar quatro classes. Uma classe de folhas saudáveis e três classes de folhas que apresen tam dano, sendo eles: mínimo, moderado e grave. Para isso, foi criado um dataset composto por 1263 imagens e 2637 âncoras que representam cada classe. Para analisar o desempenho do modelo foram criados três cenários de testes. Os cenários se diferenciam pela forma de que as classes estão organizadas. Para medir o desempenho do modelo foi utilizada a métrica Mean Average Precision (mAP). No cenário 1, composto pelas classes saudável, mínimo, moderado e grave, o modelo resultou na mAP de 43,41%. No cenário 2, formado pelas classes saudável e dano, onde a classe dano passa a ser o agrupamento da mínimo, moderado e grave, o modelo atingiu a mAP de 73,09%. Por fim, no cenário 3, composto também pelas classes saudável e dano, porém desta vez, agrupando o dano mínimo com a classe saudável, a formação obteve a mAP de 74,77%. | pt_BR |
| URI (dc.identifier.uri) | http://repositorio.jesuita.org.br/handle/UNISINOS/13024 | |
| Nome da instituição (dc.publisher) | Universidade do Vale do Rio dos Sinos | pt_BR |
| Assunto (dc.subject) | Spodoptera frugiperda | pt_BR |
| Assunto (dc.subject) | Redes neurais convolucionais | pt_BR |
| Assunto (dc.subject) | Faster R-CNN | pt_BR |
| Assunto (dc.subject) | Detecção de danos por peste | pt_BR |
| Título (dc.title) | Modelo de detecção por imagens do ataque da Spodoptera frugiperda em plantações de milho | pt_BR |
| Tipo de arquivo (dc.type) | TCC | pt_BR |
Arquivos
Pacote original
1 - 1 de 1
Carregando...
- Nome:
- Moacyr Júnior Trombetta.pdf
- Tamanho:
- 21.44 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
- modelo_deteccao
Licença do pacote
1 - 1 de 1
Carregando...
- Nome:
- license.txt
- Tamanho:
- 2.12 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: