|
|
Registro Completo |
Biblioteca(s): |
Embrapa Instrumentação. |
Data corrente: |
21/12/2021 |
Data da última atualização: |
21/12/2021 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Autoria: |
RODRIGUES, D. DE C.; ROCHA, M. L.; TREVISAN, D. M. DE Q.; JORGE, L. A. de C.; FERREIRA, E. J.; OSCO, L. P.; BARBOSA, R. M. |
Afiliação: |
DIEGO DE CASTRO RODRIGUES, UFG; MARCELO LISBOA ROCHA, UFRJ; DANIELA MASCARENHAS DE QUEIROZ TREVISAN, UFT; LUCIO ANDRE DE CASTRO JORGE, CNPDIA; EDNALDO JOSE FERREIRA, CNPDIA; LUCAS PRADO OSCO, UNOESTE; ROMMEL MELGAÇO BARBOSA, UFG. |
Título: |
Aplicando Mineração de Imagens na Agricultura de Precisão. |
Ano de publicação: |
2021 |
Fonte/Imprenta: |
Revista CEREUS, v. 13. n. 3, 2021. |
Páginas: |
p. 283-301. |
ISBN: |
2175-7275 |
DOI: |
10.18605/2175-7275/cereus.v13n3p283-301 |
Idioma: |
Português |
Conteúdo: |
RESUMO: Análise de imagens de plantações estão consolidados no mercado da agricultura de precisão. Nesse sentido, a utilização de técnicas de processamento de imagem, mineração de imagem e inteligência artificial são ferramentas fundamentais. Podendo aplicar essas técnicas de maneira individual ou em conjunto. Um problema comum em análises de imagens é que pequenas mudanças na iluminação e no momento de tirar fotos podem influenciar como as técnicas computacionais identificam seus elementos. O custo é muito alto ou mesmo inviável para identificar ou segmentar uma imagem de forma universal. Sendo assim, é necessário um ponto de partida solido para guiar as técnicas existentes. Este estudo apresenta um experimento utilizando técnicas de mineração de imagens, associado a algoritmos de associação customizado. Utilizando o conhecimento do especialista para criar e rotular conjunto de pixel de interesse. Assim, ao processar uma imagem as classes de interesse são facilmente identificadas e ajustadas para cada realidade. Os resultados empíricos indicam que nossa solução aprimora a forma de seleção de padrões identificando as classes de interesse, identificando de maneira correta solo e vegetação. Os testes foram realizados em sete mosaicos diferentes da mesma plantação. O processo de identificação das classes desejadas (solo, plantação), ocorreram de maneira satisfatória validado assim nosso estudo como uma solução viável para agricultura de precisão. ABSTRACT: Crop image analysis are consolidated in the precision farming market. In this sense, the use of image processing techniques, image mining and artificial intelligence are fundamental tools. Being able to apply these techniques individually or together. A common problem in image analysis is that small changes in lighting and timing can influence how computational techniques identify its elements. The cost is too high or even unfeasible to universally identify or segment an image. As such, a solid starting point is needed to guide existing techniques. This study presents an experiment using image mining techniques, associated with custom association algorithms. Using expert knowledge to create and label pixel set of interest. Thus, when processing an image, the classes of interest are easily identified and adjusted for each reality. The empirical results indicate that our solution improves the way of selecting patterns by identifying the classes of interest, correctly identifying soil and vegetation. Tests were performed on seven different mosaics from the same culture. The process of identifying the desired classes (soil, plantation) occurred satisfactorily, thus validating our study as a viable solution for precision agriculture. MenosRESUMO: Análise de imagens de plantações estão consolidados no mercado da agricultura de precisão. Nesse sentido, a utilização de técnicas de processamento de imagem, mineração de imagem e inteligência artificial são ferramentas fundamentais. Podendo aplicar essas técnicas de maneira individual ou em conjunto. Um problema comum em análises de imagens é que pequenas mudanças na iluminação e no momento de tirar fotos podem influenciar como as técnicas computacionais identificam seus elementos. O custo é muito alto ou mesmo inviável para identificar ou segmentar uma imagem de forma universal. Sendo assim, é necessário um ponto de partida solido para guiar as técnicas existentes. Este estudo apresenta um experimento utilizando técnicas de mineração de imagens, associado a algoritmos de associação customizado. Utilizando o conhecimento do especialista para criar e rotular conjunto de pixel de interesse. Assim, ao processar uma imagem as classes de interesse são facilmente identificadas e ajustadas para cada realidade. Os resultados empíricos indicam que nossa solução aprimora a forma de seleção de padrões identificando as classes de interesse, identificando de maneira correta solo e vegetação. Os testes foram realizados em sete mosaicos diferentes da mesma plantação. O processo de identificação das classes desejadas (solo, plantação), ocorreram de maneira satisfatória validado assim nosso estudo como uma solução viável para agricultura de precisão. ABSTRACT: Crop image analysis a... Mostrar Tudo |
Palavras-Chave: |
Association Rules; Data Mining; Image Mining; Mineração de Dados; Mineração de Imagem; Regras de Associação. |
Thesagro: |
Agricultura de Precisão. |
Thesaurus Nal: |
Precision agriculture. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/229437/1/3572-Texto-do-artigo-12149-1-10-20211011.pdf
|
Marc: |
LEADER 03715naa a2200325 a 4500 001 2138150 005 2021-12-21 008 2021 bl uuuu u00u1 u #d 022 $a2175-7275 024 7 $a10.18605/2175-7275/cereus.v13n3p283-301$2DOI 100 1 $aRODRIGUES, D. DE C. 245 $aAplicando Mineração de Imagens na Agricultura de Precisão.$h[electronic resource] 260 $c2021 300 $ap. 283-301. 520 $aRESUMO: Análise de imagens de plantações estão consolidados no mercado da agricultura de precisão. Nesse sentido, a utilização de técnicas de processamento de imagem, mineração de imagem e inteligência artificial são ferramentas fundamentais. Podendo aplicar essas técnicas de maneira individual ou em conjunto. Um problema comum em análises de imagens é que pequenas mudanças na iluminação e no momento de tirar fotos podem influenciar como as técnicas computacionais identificam seus elementos. O custo é muito alto ou mesmo inviável para identificar ou segmentar uma imagem de forma universal. Sendo assim, é necessário um ponto de partida solido para guiar as técnicas existentes. Este estudo apresenta um experimento utilizando técnicas de mineração de imagens, associado a algoritmos de associação customizado. Utilizando o conhecimento do especialista para criar e rotular conjunto de pixel de interesse. Assim, ao processar uma imagem as classes de interesse são facilmente identificadas e ajustadas para cada realidade. Os resultados empíricos indicam que nossa solução aprimora a forma de seleção de padrões identificando as classes de interesse, identificando de maneira correta solo e vegetação. Os testes foram realizados em sete mosaicos diferentes da mesma plantação. O processo de identificação das classes desejadas (solo, plantação), ocorreram de maneira satisfatória validado assim nosso estudo como uma solução viável para agricultura de precisão. ABSTRACT: Crop image analysis are consolidated in the precision farming market. In this sense, the use of image processing techniques, image mining and artificial intelligence are fundamental tools. Being able to apply these techniques individually or together. A common problem in image analysis is that small changes in lighting and timing can influence how computational techniques identify its elements. The cost is too high or even unfeasible to universally identify or segment an image. As such, a solid starting point is needed to guide existing techniques. This study presents an experiment using image mining techniques, associated with custom association algorithms. Using expert knowledge to create and label pixel set of interest. Thus, when processing an image, the classes of interest are easily identified and adjusted for each reality. The empirical results indicate that our solution improves the way of selecting patterns by identifying the classes of interest, correctly identifying soil and vegetation. Tests were performed on seven different mosaics from the same culture. The process of identifying the desired classes (soil, plantation) occurred satisfactorily, thus validating our study as a viable solution for precision agriculture. 650 $aPrecision agriculture 650 $aAgricultura de Precisão 653 $aAssociation Rules 653 $aData Mining 653 $aImage Mining 653 $aMineração de Dados 653 $aMineração de Imagem 653 $aRegras de Associação 700 1 $aROCHA, M. L. 700 1 $aTREVISAN, D. M. DE Q. 700 1 $aJORGE, L. A. de C. 700 1 $aFERREIRA, E. J. 700 1 $aOSCO, L. P. 700 1 $aBARBOSA, R. M. 773 $tRevista CEREUS$gv. 13. n. 3, 2021.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registro Completo
Biblioteca(s): |
Embrapa Soja. |
Data corrente: |
06/06/2014 |
Data da última atualização: |
06/04/2022 |
Tipo da produção científica: |
Artigo em Periódico Indexado |
Circulação/Nível: |
B - 5 |
Autoria: |
SZILAGYI-ZECCHIN, V. J.; IKEDA, A. C.; HUNGRIA, M.; ADAMOSKI, D.; KAVA-CORDEIRO, V.; GLIENKE, C.; GALLI-TERASAWA, L. V. |
Afiliação: |
VIVIAN JASKIW SZILAGYI-ZECCHIN, UFPR; ANGELA CRISTINA IKEDA, UFPR; MARIANGELA HUNGRIA DA CUNHA, CNPSO; DOUGLAS ADAMOSKI, UFPR; VANESSA KAVA-CORDEIRO, UFPR; CHIRLEI GLIENKE, UFPR; LYGIA VITÓRIA GALLI-TERASAWA, UFPR. |
Título: |
Identification and characterization of endophytic bacteria from corn (Zea mays L.) roots with biotechnological potential in agriculture. |
Ano de publicação: |
2014 |
Fonte/Imprenta: |
AMB Express, Heidelberg, v. 4, n. 26, p. 1-9, May, 2014. |
ISSN: |
2191-0855 |
DOI: |
10.1186/s13568-014-0026-y |
Idioma: |
Inglês |
Conteúdo: |
Six endophytic bacteria of corn roots were identified as Bacillus sp. and as Enterobacter sp, by sequencing of the 16S rRNA gene. Four of the strains, CNPSo 2476, CNPSo 2477, CNPSo 2478 and CNPSo 2480 were positive for the nitrogen fixation ability evaluated through the acetylene reduction assay and amplification of nifH gene. Two Bacillus strains (CNPSo 2477 and CNPSo 2478) showed outstanding skills for the production of IAA, siderophores and lytic enzymes, but were not good candidates as growth promoters, because they reduced seed germination. However, the same strains were antagonists against the pathogenic fungi Fusarium verticillioides, Colletotrichum graminicola, Bipolaris maydis and Cercospora zea-maydis. As an indication of favorable bacterial action, Enterobacter sp. CNPSo 2480 and Bacillus sp. CNPSo 2481 increased the root volume by 44% and 39%, respectively, and the seed germination by 47% and 56%, respectively. Therefore, these two strains are good candidates for future testing as biological inoculants for corn. |
Thesagro: |
Milho. |
Categoria do assunto: |
-- |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/103257/1/Identification-and-characterization-of-endophytic-bacteria-from-corn-Zea-mays-L.-roots-with-biotechnological-potential-in-agriculture.pdf
|
Marc: |
LEADER 01769naa a2200229 a 4500 001 1987833 005 2022-04-06 008 2014 bl uuuu u00u1 u #d 022 $a2191-0855 024 7 $a10.1186/s13568-014-0026-y$2DOI 100 1 $aSZILAGYI-ZECCHIN, V. J. 245 $aIdentification and characterization of endophytic bacteria from corn (Zea mays L.) roots with biotechnological potential in agriculture.$h[electronic resource] 260 $c2014 520 $aSix endophytic bacteria of corn roots were identified as Bacillus sp. and as Enterobacter sp, by sequencing of the 16S rRNA gene. Four of the strains, CNPSo 2476, CNPSo 2477, CNPSo 2478 and CNPSo 2480 were positive for the nitrogen fixation ability evaluated through the acetylene reduction assay and amplification of nifH gene. Two Bacillus strains (CNPSo 2477 and CNPSo 2478) showed outstanding skills for the production of IAA, siderophores and lytic enzymes, but were not good candidates as growth promoters, because they reduced seed germination. However, the same strains were antagonists against the pathogenic fungi Fusarium verticillioides, Colletotrichum graminicola, Bipolaris maydis and Cercospora zea-maydis. As an indication of favorable bacterial action, Enterobacter sp. CNPSo 2480 and Bacillus sp. CNPSo 2481 increased the root volume by 44% and 39%, respectively, and the seed germination by 47% and 56%, respectively. Therefore, these two strains are good candidates for future testing as biological inoculants for corn. 650 $aMilho 700 1 $aIKEDA, A. C. 700 1 $aHUNGRIA, M. 700 1 $aADAMOSKI, D. 700 1 $aKAVA-CORDEIRO, V. 700 1 $aGLIENKE, C. 700 1 $aGALLI-TERASAWA, L. V. 773 $tAMB Express, Heidelberg$gv. 4, n. 26, p. 1-9, May, 2014.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Soja (CNPSO) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|