|
|
Registro Completo |
Biblioteca(s): |
Embrapa Instrumentação. |
Data corrente: |
07/12/2023 |
Data da última atualização: |
15/01/2024 |
Tipo da produção científica: |
Resumo em Anais de Congresso |
Autoria: |
VIANA, J. V. S.; DANTAS, L. P.; PAULA, O. R. de; BARRETO, B. B.; MILORI, D. M. B. P. |
Afiliação: |
JOÃO VICTOR SILVA VIANA, Universidade de São Paulo; LETICIA PIAZENTIN DANTAS, Universidade Federal de São Carlos; OTÁVIO RODRIGUES DE PAULA, Universidade Federal de São Carlos; BIANCA BATISTA BARRETO; DEBORA MARCONDES BASTOS PEREIRA, CNPDIA. |
Título: |
Utilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse. |
Ano de publicação: |
2023 |
Fonte/Imprenta: |
In: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 15., 2023, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2023. Coordenadores:Cintia Righetti Marcondes; Daniel Souza Corrêa |
Páginas: |
34 p. |
Idioma: |
Português |
Conteúdo: |
A integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. A partir desses resultados, conclui-se que o desenvolvimento de soluções usando machine learning pode contribuir significativamente para o monitoramento e aprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e a sustentabilidade da agricultura. MenosA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machin... Mostrar Tudo |
Palavras-Chave: |
Classificação; Detecção de doenças; Machine learning. |
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1159277/1/P-Utilizacao-de-machine-learning-para-classificacao-de-plantas.pdf
|
Marc: |
LEADER 02751nam a2200205 a 4500 001 2159277 005 2024-01-15 008 2023 bl uuuu u00u1 u #d 100 1 $aVIANA, J. V. S. 245 $aUtilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse.$h[electronic resource] 260 $aIn: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 15., 2023, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2023. Coordenadores:Cintia Righetti Marcondes; Daniel Souza Corrêa$c2023 300 $a34 p. 520 $aA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. A partir desses resultados, conclui-se que o desenvolvimento de soluções usando machine learning pode contribuir significativamente para o monitoramento e aprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e a sustentabilidade da agricultura. 653 $aClassificação 653 $aDetecção de doenças 653 $aMachine learning 700 1 $aDANTAS, L. P. 700 1 $aPAULA, O. R. de 700 1 $aBARRETO, B. B. 700 1 $aMILORI, D. M. B. P.
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Instrumentação (CNPDIA) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
Registros recuperados : 1 | |
Registros recuperados : 1 | |
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|