| |
|
|
|
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 Agrossilvipastoril. |
|
Data corrente: |
08/03/2018 |
|
Data da última atualização: |
08/02/2022 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
FERREIRA, J. M.; MATOS, E. da S.; SOUZA, L. H. C.; MEDEIROS, A. L. de; ISERNHAGEN, I.; ROSA, M. G.; SILVEIRA, A. F.; COUTO, E. G. |
|
Afiliação: |
JACQUELINE MIRANDA FERREIRA, IFMT-CACERES; EDUARDO DA SILVA MATOS, CPAMT; LETICIA HELENA CAMPOS DE SOUZA, UFMT-CUIABA; ANGÉLICA LARA DE MEDEIROS, UFMT-SINOP; INGO ISERNHAGEN, CPAMT; MARIANA GONÇALVES ROSA, UFMT-SINOP; ALINE FERREIRA SILVEIRA, UFMT-SINOP; EDUARDO GUIMARÃES COUTO, UFMT-CUIABA. |
|
Título: |
Serapilheira total e fracionada em áreas de restauração florestal no norte de Mato Grosso |
|
Ano de publicação: |
2017 |
|
Fonte/Imprenta: |
In: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 6., 2017, Sinop, MT. Resumos... Sinop, MT: Embrapa Agrossilpastoril, 2017. p. 276-279. |
|
Idioma: |
Português |
|
Conteúdo: |
A serapilheira aportada em área de restauração florestal pode variar de acordo com as espécies utilizadas, tempo de estabelecimento, bem como as operações de condução, como roçadas e desbastes. Esta serapilheira favorece a ciclagem de nutrientes por funcionar como reserva de nutrientes, protegendo o solo de processos erosivos e sendo contribui para aumento de estoques de carbono no solo. O objetivo deste estudo foi quantificar o total de serapilheira aportado em tratamentos de restauração florestal, e também identificar a(s) cultura(s) que compõe(m) este total. |
|
Palavras-Chave: |
Ciclagem de nutrientes; Restauração florestal; Serrapilheira; Sinop-MT. |
|
Categoria do assunto: |
K Ciência Florestal e Produtos de Origem Vegetal |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/231093/1/2017-cpamt-esm-serapilheira-total-fracionada-area-restauracao-florestal-norte-mt-p-276-279.pdf
|
|
Marc: |
LEADER 01455nam a2200241 a 4500
001 2088816
005 2022-02-08
008 2017 bl uuuu u00u1 u #d
100 1 $aFERREIRA, J. M.
245 $aSerapilheira total e fracionada em áreas de restauração florestal no norte de Mato Grosso$h[electronic resource]
260 $aIn: ENCONTRO DE CIÊNCIA E TECNOLOGIAS AGROSSUSTENTÁVEIS; JORNADA CIENTÍFICA DA EMBRAPA AGROSSILVIPASTORIL, 6., 2017, Sinop, MT. Resumos... Sinop, MT: Embrapa Agrossilpastoril, 2017. p. 276-279.$c2017
520 $aA serapilheira aportada em área de restauração florestal pode variar de acordo com as espécies utilizadas, tempo de estabelecimento, bem como as operações de condução, como roçadas e desbastes. Esta serapilheira favorece a ciclagem de nutrientes por funcionar como reserva de nutrientes, protegendo o solo de processos erosivos e sendo contribui para aumento de estoques de carbono no solo. O objetivo deste estudo foi quantificar o total de serapilheira aportado em tratamentos de restauração florestal, e também identificar a(s) cultura(s) que compõe(m) este total.
653 $aCiclagem de nutrientes
653 $aRestauração florestal
653 $aSerrapilheira
653 $aSinop-MT
700 1 $aMATOS, E. da S.
700 1 $aSOUZA, L. H. C.
700 1 $aMEDEIROS, A. L. de
700 1 $aISERNHAGEN, I.
700 1 $aROSA, M. G.
700 1 $aSILVEIRA, A. F.
700 1 $aCOUTO, E. G.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agrossilvipastoril (CPAMT) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
