| |
|
|
| Registros recuperados : 22 | |
| 1. |  | KUWAHARA, M. K.; LIMA, D.; MARCELINO, F. C. Sensibilidade da detecção de grãos de soja geneticamente modificados em misturas com convencionais segundo critérios para classificação de sementes. Informativo ABRATES, Londrina, v. 19, n. 2, p. 211, set. 2009. Edição Especial, ref. 204. Edição dos Resumos do XVI Congresso de Sementes, Curitiba, ago./set. 2009.| Biblioteca(s): Embrapa Soja. |
|    |
| 2. | | LINO, E. J.; KUWAHARA, M. K.; ARIAS, C. A.; MARCELINO, F. C. Validação de um método para detecção e quantificação de soja culticance tolerante a herbicidas imidazolinonas por PCR convencional e quantitativo. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 5., 2010, Londrina. Resumos... Londrina: Embrapa Soja, 2010. p. 53-57. (Embrapa Soja. Documentos, 323). Editado por Odilon Ferreira Saraiva, Paula Geron Saiz Melo.| Biblioteca(s): Embrapa Soja. |
| |
| 3. | | RINCÃO, M. P; CRUZ, B. G.; YOKOYAMA, A.; KUWAHARA, M. K.; ABDELNOOR, R. V.; MARCELINO-GUIMARÃES, F. C. Perfil transcricional de genes essenciais ao fungo phakopsora pachyrhizi causador da ferrugem asiática da soja. In: CONGRESSO BRASILEIRO DE SOJA, 7.; MERCOSOJA, 2015, Florianópolis. Tecnologia e mercado global: perspectivas para soja: anais. Londrina: Embrapa Soja, 2015. 3 p. 1 CD-ROM.| Biblioteca(s): Embrapa Soja. |
|  |
| 4. | | CAMPOS-FILHO, P. J.; LOPES, V. S.; KUWAHARA, M. K.; LOPES, I. O. N.; ARIAS, C. A.; MARCELINO, F. C. Validação de um método para detecção e quantificação de eventos de soja gm tolerante a herbicidas imidazolinonas por PCR convencional e quantitativo. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 4., 2009, Londrina. Resumos... Londrina: Embrapa Soja, 2009. p. 97-102. (Embrapa Soja. Documentos, 312). Editado por Odilon Ferreira Saraiva, Paula Geron Saiz Melo.| Biblioteca(s): Embrapa Soja. |
| |
| 5. | | CARDOSO, R.; SILVA, A. C. da; SOUZA JUNIOR, H. de; FRESTRAS, L. A.; KUWAHARA, M. K.; SILVA, D. C. G. da; ABDELNOOR, R. V.; MARCELINO-GUIMARÃES, F. C. Genome-Wide Association Study (GWAS) para resistência a Xanthomonas axonopodis pv. glycines. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 15., 2020, Londrina. Resumos expandidos... Londrina: Embrapa Soja, 2020. 244 p. (Embrapa Soja. Documentos, 429). p. 60-67 (Embrapa Soja. Documentos, 429). Artigo de acesso aberto.| Biblioteca(s): Embrapa Soja. |
|  |
| 6. | | AOYAGI, L. N.; CAITAR, V. S. L.; POLIZEL-PODANOSQUI, A. M.; DARBEN, L. M.; CARVALHO, M. C. D.; KUWAHARA, M. K.; MARCELINO-GUIMARÃES, F. C. Identificação e caracterização filogenética de proteínas R2R3-MYB no genoma da soja e seu perfil transcricional em resposta a patógenos. In: CONGRESSO BRASILEIRO DE FITOPATOLOGIA, 46.; REUNIÃO BRASILEIRA DE CONTROLE BIOLÓGICO, 11., 2013, Ouro Preto. [Anais...]. [Brasília]: Sociedade Brasileira de Fitopatologia, 2013. 1 CD-ROM.| Biblioteca(s): Embrapa Soja. |
| |
| 7. | | MAIA, M. S.; BRUMER, B. B.; NOVAES, R. M. L.; SILVA, D. C. G.; KUWAHARA, M. K.; DALCIN, M. B.; MARCELINO-GUIMARÃES, F. C.; ABDELNOOR, R. V. Método de extração de DNA de folhas de soja adaptado para larga escala. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 8., 2013, Londrina. Resumos expandidos... Londrina: Embrapa Soja, 2013. p. 146-151. (Embrapa Soja. Documentos, 339).| Biblioteca(s): Embrapa Soja. |
| |
| 8. | | PASSIANOTTO, A. L. de L.; SILLA, P. R.; MARIN, S. R. R.; KUWAHARA, M. K.; NEPOMUCENO, A. L.; BINNECK, E.; ABDELNOOR, R. V.; GONELA, A.; MARCELINO, F. C. Determinação de perfis genéticos de cultivares de soja desenvolvidos pela Embrapa. In: CONGRESSO BRASILEIRO DE GENÉTICA, 56., 2010, Guarujá. Resumos... [Curitiba]: UFPR, 2010. p. 166.| Biblioteca(s): Embrapa Soja. |
| |
| 9. | | PASSIANOTTO, A. L. de L.; KUWAHARA, M. K.; NEPOMUCENO, A. L.; ABDELNOOR, R. V.; BINNECK, E.; GONELA, A.; MARCELINO, F. C. Desenvolvimento e validação do sistema de genotipagem molecular de cultivares de soja via sequenciador automático com marcadores microssatélites. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 4., 2009, Londrina. Resumos... Londrina: Embrapa Soja, 2009. p. 209-213. (Embrapa Soja. Documentos, 312). Editado por Odilon Ferreira Saraiva, Paula Geron Saiz Melo.| Biblioteca(s): Embrapa Soja. |
| |
| 10. | | BRUMER, B. B.; MAIA, M. S.; DALCIN, M. B.; KUWAHARA, M. K.; NOVAES, R. M. L.; SILVA, D. C. G.; MARCELINO-GUIMARÃES, F. C.; ABDELNOOR, R. V. Otimização de um método de extração de DNA eficiente, rápido e de baixo custo de sementes de soja para fins de seleção assistida por marcadores moleculares. In: JORNADA ACADÊMICA DA EMBRAPA SOJA, 8., 2013, Londrina. Resumos expandidos... Londrina: Embrapa Soja, 2013. p. 46-50.| Biblioteca(s): Embrapa Soja. |
| |
| 11. | | GONÇALVES, A. P.; FREITAS, A. T.; KUWAHARA, M. K.; MARCELINO-GUIMARÃES, F. C.; ALMEIDA, A. M. R.; BIANCHINI, A.; MOLINA, R. O. Quantificação de Bean Golden mosaic vírus (BGMV) em feijões (Phaseolus vulgaris L.) via qPCR. In: CONGRESSO BRASILEIRO DE FITOPATOLOGIA, 48.; CONGRESSO BRASILEIRO DE PATOLOGIA PÓS COLHEITA, 2., 2015, São Pedro, SP. Fitopatologia de precisão - fronteiras da ciência: anais. [Brasilia, DF]: Sociedade Brasileira de Fitopatologia, 2015. 1 CD-ROM.| Biblioteca(s): Embrapa Soja. |
| |
| 12. | | TROVATI, B.; FERREIRA, N.; SANTOS, E. A. dos; CASTANHO, F. M.; KUWAHARA, M. K.; MEYER, M. C.; MARCELINO-GUIMARÃES, F. C. Variabilidade patôgenica de Phakopsora pachyrhizi nas principais regiões produtoras de soja no brasil nas safras 2018-2021. In: CONGRESSO BRASILEIRO DE SOJA, 9., 2022, Foz do iguaçu, PR. Desafios para a produtividade sustentável no Mercosul: resumos. Brasília, DF: Embrapa, 2022. Regina Maria Villas Bôas de Campos Leite, Adeney de Freitas Bueno, editores técnicos. resumo 94. p. 113.| Biblioteca(s): Embrapa Soja. |
| |
| 13. | | LOPES-CAITAR, V. S.; CARVALHO, M. C. C. G. de; LUANA M. DARBEN; KUWAHARA, M. K.; NEPOMUCENO, A. L.; DIAS, W. P.; ABDELNOOR, R. V.; MARCELINO-GUIMARÃES, F. C. Genome-wide analysis of the Hsp20 gene family in soybean: comprehensive sequence, genomic organization and expression profile analysis under abiotic and biotic stresses. BMC Genomics, v. 14, article 577, 2013. 17 p.| Biblioteca(s): Embrapa Soja. |
| |
| 14. | | LOPES, V. S.; ROLLA, A. A. P.; FILHO, P. J. C.; KUWAHARA, M. K.; PASSIANOTO, A. L. de L.; LIMA, D.; DOMIT, L. A.; DALBOSCO, M.; MIRANDA, L. C.; MARCELINO, F. C. Identificação de pontos críticos de contaminação cruzada entre cultivos transgênicos e convencional na cadeia produtiva da soja. In: CONGRESSO BRASILEIRO DE SOJA, 5.; MERCOSOJA 2009, Goiânia. Resumos... Londrina: Embrapa Soja, 2009. p. 105, trab. 178. Editado por Adilson de Oliveira Júnior, Odilon Ferreira Saraiva, Clara Beatriz Hoffmann Campo, César de Castro.| Biblioteca(s): Embrapa Soja. |
| |
| 15. | | KUMA, K. M.; LOPES-CAITAR, V. S.; ROMERO, C. C. T.; DARBEN, L. M.; SILVA, S. M. H.; CARVALHO, M. C. C. G. de; KUWAHARA, M. K.; OLIVEIRA, M. C. N. de; DIAS, W. P.; MARCELINO-GUIMARÃES, F. C. Functional characterization of soybean GmHsp17.6B and GmHsp22.4 genes in response to Meloidogyne javanica infection. In: WORKSHOP ON BIOTIC AND ABIOTIC STRESS TOLERANCE IN PLANTS, 2013, Ilhéus. The challenge for the 21st century: book of abstracts. [Brasília]: Embrapa: International Advanced Biology Consortium, 2013. p. 34.| Biblioteca(s): Embrapa Soja. |
| |
| 16. | | AOYAGI, L. N.; LOPES-CAITAR, V. S.; CARVALHO, M. C. C. G. de; DARBEN, L. M.; POLIZEL-PODANOSQUI, A.; KUWAHARA, M. K.; NEPOMUCENO, A. L.; ABDELNOOR, R. V.; MARCELINO-GUIMARÃES, F. C. Genomic and transcriptomic characterization of the transcription factor family R2R3-MYB in soybean and its involvement in the resistance responses to Phakopsora pachyrhizi. Plant Sciense, Limerick, v. 229, p. 32-42, Dec. 2014.| Biblioteca(s): Embrapa Soja. |
| |
| 17. | | DARBEN, L. M.; YOKOYAMA, A.; PARMEZAN, T. R.; KUWAHARA, M. K.; CARVALHO, M. C. C. G. de; GONELA, A.; SOARES, R. M.; ALMEIDA, A. M. R.; GODOY, C. V.; MARCELINO-GUIMARÃES, F. C. Evaluation of virulence of Phakopsora pachyrhizi monourediniais isolates collected in Brazil. In: CONGRESSO BRASILEIRO DE FITOPATOLOGIA, 47.; SIMPÓSIO BRASILEIRO DE MOFO BRANCO, 2014, Londrina. Desafios futuros: anais. Londrina: SBF, 2014. 1 CD-ROM.| Biblioteca(s): Embrapa Soja. |
| |
| 18. | | FREITAS-VANZO, A. T. de; SILVA, C. de C. da; NOVAES, T. G. de; WALZ, D. M.; MARCELINO-GUIMARÃES, F. C.; KUWAHARA, M. K.; MOLINA, R. de O.; LEITE JUNIOR, R. P. Evaluation of disease severity caused by Bean golden mosaic virus in different bean cultivars. Canadian Journal of Plant Pathology, v. 43, N. 1, p. 172-178, 2021.| Biblioteca(s): Embrapa Soja. |
| |
| 19. | | CASTANHO, F. M.; KUWAHARA, M. K.; FERNANDES, G. P.; DARBEN, L. M.; YOKOYAMA, A.; SILVA, D. C. G. da; ABDELNOOR, R. V.; MEYER, M. C.; MARCELINO-GUIMARÃES, F. C. Characterization of Phakopsora pachyrhizi races from a broad geographical and temporal collection. In: CONGRESSO BRASILEIRO DE SOJA, 9., 2022, Foz do iguaçu, PR. Desafios para a produtividade sustentável no Mercosul: resumos. Brasília, DF: Embrapa, 2022. Regina Maria Villas Bôas de Campos Leite, Adeney de Freitas Bueno, editores técnicos. resumo 105. p. 124.| Biblioteca(s): Embrapa Soja. |
| |
| 20. | | SILVA, D. L. L. F.; BISSI, R. B.; FERREIRA, E. G. C.; CARDOSO, R.; LOPES-CAITAR, V. S.; BARROS, L. G.; SANTOS, A. B. dos; KUWAHARA, M. K.; SILVA, D. C. G. da; ABDELNOOR, R. V.; MARCELINO-GUIMARÃES, F. C. Validação de SNPs para Seleção Assistida por Marcadores DO LOCUS rpp6 DE Resistência à Ferrugem Asiática da Soja. In: CONGRESSO BRASILEIRO DE MELHORAMENTO DE PLANTAS, 10., 2019, Águas de Lindóia. [Anais...]. [S. l.]: SBMP, 2019. e-book. p. 71.| Biblioteca(s): Embrapa Soja. |
| |
| Registros recuperados : 22 | |
|
|
|
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 |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
