| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Solos. |
|
Data corrente: |
19/04/2021 |
|
Data da última atualização: |
26/10/2021 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
PORTO, L.; SIMÕES, M.; FERRAZ, R. P. D. |
|
Afiliação: |
LUAN PORTO, UERJ; MARGARETH GONCALVES SIMOES, CNPS; RODRIGO PECANHA DEMONTE FERRAZ, CNPS. |
|
Título: |
Segmentação semântica de pastagens utilizando o modelo DeepLabelV3+. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
In: SEMINÁRIO PIBIC EMBRAPA SOLOS, 2019-2020, Rio de Janeiro. Seminário Pibic Embrapa Solos 2019/2020. Rio de Janeiro: Embrapa Solos, 2021. E-book. (Embrapa Solos. Documentos, 219). |
|
Idioma: |
Português |
|
Conteúdo: |
Estima-se que 80% das pastagens cultivadas presentes do Brasil encontram-se em algum nível de degradação. Uma das características marcantes das pastagens degradadas é a presença de plantas invasoras em concorrência com a espécie forrageira. Neste contexto, a identificação e a avaliação do nível de infestação passa ser uma informação relevante para a definição de estratégias de controle e recuperação de pastagens com este problema. Este trabalho objetivou avaliar técnicas de segmentação de imagens para diferenciação de plantas daninhas/invasoras (diversas famílias botânicas) das plantas forrageiras (família gramínea). Estas técnicas se baseiam em aprendizagem não supervisionada por meio do modelo de segmentação semântica Deeplabv3+. Primeiramente, com o objetivo de treinar a rede neural, foram segmentadas manualmente com auxilio do software photoGIMP, imagens de gramíneas (forrageiras) e de diversas plantas de folha larga (daninhas) separadamente. Após o processo de treinamento da rede o modelo foi validado a partir de diferentes imagens separadas para este propósito. Os resultados demonstraram uma acurácia de 95.9%, mostrando potencial para diferenciar as diferentes espécies de plantas daninhas/invasoras das plantas forrageiras (família gramínea) Conclui-se que as técnicas de Visão Computacional, Aprendizado de Máquina e Segmentação Semântica de Imagens apresentam potencial na composição de uma solução metodológica para o diagnóstico quali-quantitativo do processo de infestação de plantas invasoras em pastagens em degradação. MenosEstima-se que 80% das pastagens cultivadas presentes do Brasil encontram-se em algum nível de degradação. Uma das características marcantes das pastagens degradadas é a presença de plantas invasoras em concorrência com a espécie forrageira. Neste contexto, a identificação e a avaliação do nível de infestação passa ser uma informação relevante para a definição de estratégias de controle e recuperação de pastagens com este problema. Este trabalho objetivou avaliar técnicas de segmentação de imagens para diferenciação de plantas daninhas/invasoras (diversas famílias botânicas) das plantas forrageiras (família gramínea). Estas técnicas se baseiam em aprendizagem não supervisionada por meio do modelo de segmentação semântica Deeplabv3+. Primeiramente, com o objetivo de treinar a rede neural, foram segmentadas manualmente com auxilio do software photoGIMP, imagens de gramíneas (forrageiras) e de diversas plantas de folha larga (daninhas) separadamente. Após o processo de treinamento da rede o modelo foi validado a partir de diferentes imagens separadas para este propósito. Os resultados demonstraram uma acurácia de 95.9%, mostrando potencial para diferenciar as diferentes espécies de plantas daninhas/invasoras das plantas forrageiras (família gramínea) Conclui-se que as técnicas de Visão Computacional, Aprendizado de Máquina e Segmentação Semântica de Imagens apresentam potencial na composição de uma solução metodológica para o diagnóstico quali-quantitativo do processo de infesta... Mostrar Tudo |
|
Palavras-Chave: |
Deeplearning; Gramíneas; Pastagens Degradadas; Plantas Daninhas; Redes Neurais; Visão Computacional. |
|
Categoria do assunto: |
P Recursos Naturais, Ciências Ambientais e da Terra |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/221328/1/CNPS-DOC-219-2021.epub
|
|
Marc: |
LEADER 02346nam a2200205 a 4500
001 2131413
005 2021-10-26
008 2021 bl uuuu u01u1 u #d
100 1 $aPORTO, L.
245 $aSegmentação semântica de pastagens utilizando o modelo DeepLabelV3+.$h[electronic resource]
260 $aIn: SEMINÁRIO PIBIC EMBRAPA SOLOS, 2019-2020, Rio de Janeiro. Seminário Pibic Embrapa Solos 2019/2020. Rio de Janeiro: Embrapa Solos, 2021. E-book. (Embrapa Solos. Documentos, 219).$c2021
520 $aEstima-se que 80% das pastagens cultivadas presentes do Brasil encontram-se em algum nível de degradação. Uma das características marcantes das pastagens degradadas é a presença de plantas invasoras em concorrência com a espécie forrageira. Neste contexto, a identificação e a avaliação do nível de infestação passa ser uma informação relevante para a definição de estratégias de controle e recuperação de pastagens com este problema. Este trabalho objetivou avaliar técnicas de segmentação de imagens para diferenciação de plantas daninhas/invasoras (diversas famílias botânicas) das plantas forrageiras (família gramínea). Estas técnicas se baseiam em aprendizagem não supervisionada por meio do modelo de segmentação semântica Deeplabv3+. Primeiramente, com o objetivo de treinar a rede neural, foram segmentadas manualmente com auxilio do software photoGIMP, imagens de gramíneas (forrageiras) e de diversas plantas de folha larga (daninhas) separadamente. Após o processo de treinamento da rede o modelo foi validado a partir de diferentes imagens separadas para este propósito. Os resultados demonstraram uma acurácia de 95.9%, mostrando potencial para diferenciar as diferentes espécies de plantas daninhas/invasoras das plantas forrageiras (família gramínea) Conclui-se que as técnicas de Visão Computacional, Aprendizado de Máquina e Segmentação Semântica de Imagens apresentam potencial na composição de uma solução metodológica para o diagnóstico quali-quantitativo do processo de infestação de plantas invasoras em pastagens em degradação.
653 $aDeeplearning
653 $aGramíneas
653 $aPastagens Degradadas
653 $aPlantas Daninhas
653 $aRedes Neurais
653 $aVisão Computacional
700 1 $aSIMÕES, M.
700 1 $aFERRAZ, R. P. D.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Solos (CNPS) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
| Registros recuperados : 111 | |
| 14. |  | FERRAZ, R. P. D.; SIMÕES, M. G.; DUBREUIL, V. Disponibilidade hídrica da reserva hidrogeológica renovável da bacia do Rio Verde, Goiás. In: SEMINÁRIO DA REDE AGROHIDRO, 3.; WORKSHOP DO PROJETO OS IMPACTOS DA AGRICULTURA E DAS MUDANÇAS CLIMÁTICAS NOS RECURSOS HÍDRICOS, 1., 2015, Corumbá. Água na agricultura: desafios frente às mudanças climáticas e de uso da terra: resumos. Brasília, DF: Embrapa, 2015. p. 36.| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Embrapa Solos. |
|    |
| 16. | | FERRAZ, R. P. D.; SIMÕES, M. G.; DUBREUIL, V. Vulnerabilidade à contaminação dos mananciais hídricos da bacia do Rio Verde, Goiás. In: SEMINÁRIO DA REDE AGROHIDRO, 3.; WORKSHOP DO PROJETO OS IMPACTOS DA AGRICULTURA E DAS MUDANÇAS CLIMÁTICAS NOS RECURSOS HÍDRICOS, 1., 2015, Corumbá. Água na agricultura: desafios frente às mudanças climáticas e de uso da terra: resumos. Brasília, DF: Embrapa, 2015. p. 63.| Tipo: Resumo em Anais de Congresso |
| Biblioteca(s): Embrapa Solos. |
| |
| 18. | | FERRAZ, R. P. D.; SIMÕES, M.; DUBREUIL, V. Sistema de indicadores para avaliação do potencial de sustentabilidade hídrica da atividade canavieira em bacias hidrográficas. In: SILVA, F. C. da; ALVES, B. J. R.; FREITAS, P. L. de (Ed.). Sistema de produção mecanizada da cana-de-açúcar integrada à produção de energia e alimentos. Brasília, DF: Embrapa, 2015. v. 1, pt. 3, cap. 3, p. 398-435.| Tipo: Capítulo em Livro Técnico-Científico |
| Biblioteca(s): Embrapa Solos. |
| |
| 20. | | KUCHLER, P. C.; BÉGUÉ, A.; SIMÕES, M.; GAETANO, R.; ARVOR, D.; FERRAZ, R. P. D. Assessing the optimal preprocessing steps of MODIS time series to map cropping systems in Mato Grosso, Brazil. International Journal of Applied Earth Observation and Geoinformation, v. 92, 102150, Oct. 2020.| Tipo: Artigo em Periódico Indexado | Circulação/Nível: A - 1 |
| Biblioteca(s): Embrapa Solos. |
| |
| Registros recuperados : 111 | |
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
