| |
|
|
| Registros recuperados : 1.702 | |
| 150. |  | BORGES, A. L.; SOUZA, L. da S. Qualidade de solo para diferentes preparos, manejos com coberturas vegetais e doses de gesso para a bananeira, em sistema orgânico. In: CONGRESSO BRASILEIRO DE CIÊNCIA DO SOLO, 36., 2017, Belém, PA. Amazônia e seus solos: peculiaridades e potencialidades. Belém, PA: SBCS, 2017.| Biblioteca(s): Embrapa Mandioca e Fruticultura. |
|    |
| 153. | | BORGES, A. L.; SOUZA, L. da S. Recomendações de calagem e adubação para abacaxi, acerola, banana, laranja, tangerina, lima ácida, mamão, mandioca, manga e maracujá. Cruz das Almas: Embrapa Mandioca e Fruticultura Tropical, 2009. 176 p.| Biblioteca(s): Embrapa Trigo. |
| |
| Registros recuperados : 1.702 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Agricultura Digital. |
|
Data corrente: |
23/08/2019 |
|
Data da última atualização: |
23/10/2019 |
|
Tipo da produção científica: |
Artigo em Anais de Congresso |
|
Autoria: |
SOUZA, L. L. de; AVILA, S.; SANTOS, T. T. |
|
Afiliação: |
LEONARDO LIMA DE SOUZA, Bolsista CNPq (PIBIC); SANDRA AVILA, IC/Unicamp; THIAGO TEIXEIRA SANTOS, CNPTIA. |
|
Título: |
Detecção de frutos em viticultura utilizando redes neurais profundas. |
|
Ano de publicação: |
2019 |
|
Fonte/Imprenta: |
In: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 13., 2019, Campinas. Anais... [S.l: s.n], 2019. |
|
Páginas: |
p. 1-12. |
|
ISBN: |
978-85-7029-149-3 |
|
Idioma: |
Português |
|
Notas: |
CIIC 2019. Nº 19603. |
|
Conteúdo: |
RESUMO - Neste trabalho investigamos técnicas de detecção de objetos por redes neurais aplicadas à detecção de frutos em viticultura. Desenvolvemos também a base de dados Embrapa WGISD, composta por imagens coletadas em Abril de 2017 e Abril de 2018 na Vinícola De Guaspari. Anotada manualmente, a base de dados possui 5 cultivares diferentes de uva: Syrah, Chardonnay, Cabernet Franc, Cabernet Sauvignon e Sauvignon Blanc, totalizando 4419 amostras de cachos de uva. Foram treinadas duas redes neurais convolutivas de arquiteturas, YOLOv2 e YOLOv3, para detecção e localização dos cachos nas imagens. Resultados quantitativos demonstraram precisão de até 88%, revocação de até 74%, e F1-Score de até 80% para YOLOv2 e precisão de até 92%, revocação de até 65% e F1-Score de até 76% para YOLOv3. Testes qualitativos demonstram que a rede YOLOv2 generaliza melhor para o conjunto de dados utilizado, e a rede YOLOv3 fornece uma localização melhor ajustada. |
|
Palavras-Chave: |
Aprendizagem profunda; Deep Learning; Detecção de frutos; Detecção de uvas; Fruit detection; Redes neurais. |
|
Thesagro: |
Viticultura. |
|
Thesaurus NAL: |
Neural networks; Viticulture. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/201270/1/19603-Leonardo-Thiago-CIIC-2019-Oral.pdf
|
|
Marc: |
LEADER 01830nam a2200277 a 4500
001 2111590
005 2019-10-23
008 2019 bl uuuu u00u1 u #d
020 $a978-85-7029-149-3
100 1 $aSOUZA, L. L. de
245 $aDetecção de frutos em viticultura utilizando redes neurais profundas.$h[electronic resource]
260 $aIn: CONGRESSO INTERINSTITUCIONAL DE INICIAÇÃO CIENTÍFICA, 13., 2019, Campinas. Anais... [S.l: s.n]$c2019
300 $ap. 1-12.
500 $aCIIC 2019. Nº 19603.
520 $aRESUMO - Neste trabalho investigamos técnicas de detecção de objetos por redes neurais aplicadas à detecção de frutos em viticultura. Desenvolvemos também a base de dados Embrapa WGISD, composta por imagens coletadas em Abril de 2017 e Abril de 2018 na Vinícola De Guaspari. Anotada manualmente, a base de dados possui 5 cultivares diferentes de uva: Syrah, Chardonnay, Cabernet Franc, Cabernet Sauvignon e Sauvignon Blanc, totalizando 4419 amostras de cachos de uva. Foram treinadas duas redes neurais convolutivas de arquiteturas, YOLOv2 e YOLOv3, para detecção e localização dos cachos nas imagens. Resultados quantitativos demonstraram precisão de até 88%, revocação de até 74%, e F1-Score de até 80% para YOLOv2 e precisão de até 92%, revocação de até 65% e F1-Score de até 76% para YOLOv3. Testes qualitativos demonstram que a rede YOLOv2 generaliza melhor para o conjunto de dados utilizado, e a rede YOLOv3 fornece uma localização melhor ajustada.
650 $aNeural networks
650 $aViticulture
650 $aViticultura
653 $aAprendizagem profunda
653 $aDeep Learning
653 $aDetecção de frutos
653 $aDetecção de uvas
653 $aFruit detection
653 $aRedes neurais
700 1 $aAVILA, S.
700 1 $aSANTOS, T. T.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Agricultura Digital (CNPTIA) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
