|
|
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 Acre. |
Data corrente: |
20/01/2016 |
Data da última atualização: |
16/11/2023 |
Tipo da produção científica: |
Resumo em Anais de Congresso |
Autoria: |
GOMES, A. P.; GONCALVES, R. C.; MACEDO, P. E. F. de; ARAÚJO, J. M. de. |
Afiliação: |
Aline Pereira Gomes, Bolsista PIBIC/FAPAC; RIVADALVE COELHO GONCALVES, CPAF-AC; PAULO EDUARDO FRANCA DE MACEDO, CPAF-AC; Jacqueline Morais de Araújo, Bolsista PIBIC/FAPAC. |
Título: |
Presença de Colletotrichum spp. em seringueira e forrageiras no Acre, Brasil. |
Ano de publicação: |
2015 |
Fonte/Imprenta: |
In: CONGRESSO REGIONAL DE PESQUISA DO ESTADO DO ACRE; SEMINÁRIO DE INICIAÇÃO CIENTÍFICA DA UFAC, 24., 2015, Rio Branco. Anais... Rio Branco: CNPq; Ufac; Embrapa; Fapac; Ieval, 2015. |
Páginas: |
2 p. |
Idioma: |
Português |
Conteúdo: |
Florestas de seringueira (Hevea spp.) ocupam 168.840 ha no Brasil. Esta área plantada é insuficiente para suprir o mercado interno de borracha natural. O cultivo de seringueira requer o conhecimento dos fatores bióticos e abióticos locais, principalmente aqueles que podem interferir significativamente nos sistema de produção, a exemplo do fungo Colletotrichum spp. agente causal da doença antracnose-da-seringueira. No Acre, florestas de seringueira são cultivadas e exploradas para a produção de látex e borracha natural gerando renda para os produtores rurais. Com o objetivo de avaliar aspectos epidemiológicos da antracnose-da-seringueira foi realizado um estudo de gama de hospedeiros de Colletotrichum spp. Amostras de folhas de Arachis pintoi, Stylosanthes captata, Stylosanthes macrocephala, Pueraria phaseoloides e Hevea brasiliensis. |
Palavras-Chave: |
Acre; Amazônia Ocidental; Antracnose-da-seringueira; Aspectos epidemiológicos; Colletotrichum spp; Hevea spp; Stylosanthes captata. |
Thesagro: |
Doença; Fungo; Hevea Brasiliensis; Pueraria Phaseoloides; Seringueira; Stylosanthes Macrocephala. |
Thesaurus NAL: |
Arachis pintoi. |
Categoria do assunto: |
F Plantas e Produtos de Origem Vegetal |
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/137445/1/25887.pdf
|
Marc: |
LEADER 01927nam a2200325 a 4500 001 2034595 005 2023-11-16 008 2015 bl uuuu u00u1 u #d 100 1 $aGOMES, A. P. 245 $aPresença de Colletotrichum spp. em seringueira e forrageiras no Acre, Brasil.$h[electronic resource] 260 $aIn: CONGRESSO REGIONAL DE PESQUISA DO ESTADO DO ACRE; SEMINÁRIO DE INICIAÇÃO CIENTÍFICA DA UFAC, 24., 2015, Rio Branco. Anais... Rio Branco: CNPq; Ufac; Embrapa; Fapac; Ieval$c2015 300 $a2 p. 520 $aFlorestas de seringueira (Hevea spp.) ocupam 168.840 ha no Brasil. Esta área plantada é insuficiente para suprir o mercado interno de borracha natural. O cultivo de seringueira requer o conhecimento dos fatores bióticos e abióticos locais, principalmente aqueles que podem interferir significativamente nos sistema de produção, a exemplo do fungo Colletotrichum spp. agente causal da doença antracnose-da-seringueira. No Acre, florestas de seringueira são cultivadas e exploradas para a produção de látex e borracha natural gerando renda para os produtores rurais. Com o objetivo de avaliar aspectos epidemiológicos da antracnose-da-seringueira foi realizado um estudo de gama de hospedeiros de Colletotrichum spp. Amostras de folhas de Arachis pintoi, Stylosanthes captata, Stylosanthes macrocephala, Pueraria phaseoloides e Hevea brasiliensis. 650 $aArachis pintoi 650 $aDoença 650 $aFungo 650 $aHevea Brasiliensis 650 $aPueraria Phaseoloides 650 $aSeringueira 650 $aStylosanthes Macrocephala 653 $aAcre 653 $aAmazônia Ocidental 653 $aAntracnose-da-seringueira 653 $aAspectos epidemiológicos 653 $aColletotrichum spp 653 $aHevea spp 653 $aStylosanthes captata 700 1 $aGONCALVES, R. C. 700 1 $aMACEDO, P. E. F. de 700 1 $aARAÚJO, J. M. de
Download
Esconder MarcMostrar Marc Completo |
Registro original: |
Embrapa Acre (CPAF-AC) |
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
Expressão de busca inválida. Verifique!!! |
|
|