| |
|
|
| Registros recuperados : 189 | |
| Registros recuperados : 189 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Mandioca e Fruticultura. |
|
Data corrente: |
09/09/2022 |
|
Data da última atualização: |
12/09/2022 |
|
Tipo da produção científica: |
Boletim de Pesquisa e Desenvolvimento |
|
Autoria: |
CARVALHO, R. da S.; CARVALHO, J. E. B. de. |
|
Afiliação: |
ROMULO DA SILVA CARVALHO, CNPMF; JOSE EDUARDO BORGES DE CARVALHO, CNPMF. |
|
Título: |
Processamento digital e aprendizado de máquina de imagens aéreas obtidas por aeronaves remotamente pilotadas (RPA) para estimar percentual de cobertura do solo por gramíneas perenes em pomar de citros. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
Cruz das Almas, BA: Embrapa Mandioca e Fruticultura, 2022. |
|
Série: |
(Embrapa Mandioca e Fruticultura. Boletim de Pesquisa e Desenvolvimento, 137). |
|
ISSN: |
1809-5003 |
|
Idioma: |
Português |
|
Conteúdo: |
A presente metodologia digital tem como objetivo estimar o percentual de cobertura do solo com gramíneas (Urochloa spp.) nas entrelinhas de pomares de citros para fins de pesquisa. Esse processo metodológico digital, combina ferramentas de processamento de imagens aéreas de aeronaves remotamente pilotadas (RPA) e softwares livres de código aberto Fiji ImageJ e Weka (Waikato Environment for Knowledge Analysis), sendo que este último utiliza algoritmos de última geração e técnicas de inteligência artificial (IA) da subárea de aprendizado de máquina (supervisionado). Utilizou-se o método preditivo de classificação de árvore de decisão tendo como algoritmo classificador Random Forest, que é acionado no software Fiji ImageJ a partir do plugin TWS (Trainable Weka Segmentation). Por meio da supervisão do pesquisador, um conjunto de entrada de padrões de pixels são rotulados e representados com suas características (atributos) e, em seguida, usados como um conjunto de dados para treinamento do algoritmo classificador. Uma vez que o modelo classificador é treinado, este é utilizado para classificar o restante de pixels de entrada da imagem ou em outras imagens com novos dados. Após o treinamento do modelo, procede-se com a segmentação e classificação da imagem da subamostra que gera, posteriormente, como resultado, uma nova imagem RGB a partir do plugin TWS. Posteriormente, procede-se com a transformação dessa imagem RGB para imagem tipo 8bit e, em seguida, faz-se o pós-processamento digital para limiarização/binarização da imagem para obtenção do percentual de cobertura vegetal. O desempenho do modelo classificador treinado foi avaliado utilizando-se métricas gerais e qualitativas disponíveis no módulo Explorer do software Weka. Como resultado, verificou-se que todas as métricas de avaliação de desempenho do modelo indicaram excelente desempenho e adequação do modelo ao objetivo com alta acurácia (94,73%). Conclui-se que a presente tecnologia digital apresenta menor custo relativo para fins de pesquisa científica devido aos softwares gratuitos utilizados e poderá auxiliar na tomada de decisão sobre manejo de coberturas vegetais com gramínea Urochloa spp. nos pomares de citros, gerando dados mais precisos para se estimar o percentual de cobertura do solo. MenosA presente metodologia digital tem como objetivo estimar o percentual de cobertura do solo com gramíneas (Urochloa spp.) nas entrelinhas de pomares de citros para fins de pesquisa. Esse processo metodológico digital, combina ferramentas de processamento de imagens aéreas de aeronaves remotamente pilotadas (RPA) e softwares livres de código aberto Fiji ImageJ e Weka (Waikato Environment for Knowledge Analysis), sendo que este último utiliza algoritmos de última geração e técnicas de inteligência artificial (IA) da subárea de aprendizado de máquina (supervisionado). Utilizou-se o método preditivo de classificação de árvore de decisão tendo como algoritmo classificador Random Forest, que é acionado no software Fiji ImageJ a partir do plugin TWS (Trainable Weka Segmentation). Por meio da supervisão do pesquisador, um conjunto de entrada de padrões de pixels são rotulados e representados com suas características (atributos) e, em seguida, usados como um conjunto de dados para treinamento do algoritmo classificador. Uma vez que o modelo classificador é treinado, este é utilizado para classificar o restante de pixels de entrada da imagem ou em outras imagens com novos dados. Após o treinamento do modelo, procede-se com a segmentação e classificação da imagem da subamostra que gera, posteriormente, como resultado, uma nova imagem RGB a partir do plugin TWS. Posteriormente, procede-se com a transformação dessa imagem RGB para imagem tipo 8bit e, em seguida, faz-se o pós-processamento... Mostrar Tudo |
|
Palavras-Chave: |
Drone; Inteligência artificial; Processamento digital; Tecnologia digital. |
|
Thesagro: |
Agricultura; Agricultura de Precisão; Citricultura; Cobertura do Solo; Cobertura Vegetal; Equipamento; Fruta Cítrica. |
|
Thesaurus NAL: |
Agriculture; Artificial intelligence; Citrus fruits; Drums (equipment); Equipment; Ground cover plants; Precision agriculture; Vegetation cover. |
|
Categoria do assunto: |
X Pesquisa, Tecnologia e Engenharia |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1146298/1/BOLETIM-MIOLO137-Romulo-JoseEduardo-AINFO.pdf
|
|
Marc: |
LEADER 03614nam a2200373 a 4500
001 2146298
005 2022-09-12
008 2022 bl uuuu u0uu1 u #d
022 $a1809-5003
100 1 $aCARVALHO, R. da S.
245 $aProcessamento digital e aprendizado de máquina de imagens aéreas obtidas por aeronaves remotamente pilotadas (RPA) para estimar percentual de cobertura do solo por gramíneas perenes em pomar de citros.$h[electronic resource]
260 $aCruz das Almas, BA: Embrapa Mandioca e Fruticultura$c2022
490 $a(Embrapa Mandioca e Fruticultura. Boletim de Pesquisa e Desenvolvimento, 137).
520 $aA presente metodologia digital tem como objetivo estimar o percentual de cobertura do solo com gramíneas (Urochloa spp.) nas entrelinhas de pomares de citros para fins de pesquisa. Esse processo metodológico digital, combina ferramentas de processamento de imagens aéreas de aeronaves remotamente pilotadas (RPA) e softwares livres de código aberto Fiji ImageJ e Weka (Waikato Environment for Knowledge Analysis), sendo que este último utiliza algoritmos de última geração e técnicas de inteligência artificial (IA) da subárea de aprendizado de máquina (supervisionado). Utilizou-se o método preditivo de classificação de árvore de decisão tendo como algoritmo classificador Random Forest, que é acionado no software Fiji ImageJ a partir do plugin TWS (Trainable Weka Segmentation). Por meio da supervisão do pesquisador, um conjunto de entrada de padrões de pixels são rotulados e representados com suas características (atributos) e, em seguida, usados como um conjunto de dados para treinamento do algoritmo classificador. Uma vez que o modelo classificador é treinado, este é utilizado para classificar o restante de pixels de entrada da imagem ou em outras imagens com novos dados. Após o treinamento do modelo, procede-se com a segmentação e classificação da imagem da subamostra que gera, posteriormente, como resultado, uma nova imagem RGB a partir do plugin TWS. Posteriormente, procede-se com a transformação dessa imagem RGB para imagem tipo 8bit e, em seguida, faz-se o pós-processamento digital para limiarização/binarização da imagem para obtenção do percentual de cobertura vegetal. O desempenho do modelo classificador treinado foi avaliado utilizando-se métricas gerais e qualitativas disponíveis no módulo Explorer do software Weka. Como resultado, verificou-se que todas as métricas de avaliação de desempenho do modelo indicaram excelente desempenho e adequação do modelo ao objetivo com alta acurácia (94,73%). Conclui-se que a presente tecnologia digital apresenta menor custo relativo para fins de pesquisa científica devido aos softwares gratuitos utilizados e poderá auxiliar na tomada de decisão sobre manejo de coberturas vegetais com gramínea Urochloa spp. nos pomares de citros, gerando dados mais precisos para se estimar o percentual de cobertura do solo.
650 $aAgriculture
650 $aArtificial intelligence
650 $aCitrus fruits
650 $aDrums (equipment)
650 $aEquipment
650 $aGround cover plants
650 $aPrecision agriculture
650 $aVegetation cover
650 $aAgricultura
650 $aAgricultura de Precisão
650 $aCitricultura
650 $aCobertura do Solo
650 $aCobertura Vegetal
650 $aEquipamento
650 $aFruta Cítrica
653 $aDrone
653 $aInteligência artificial
653 $aProcessamento digital
653 $aTecnologia digital
700 1 $aCARVALHO, J. E. B. de
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Mandioca e Fruticultura (CNPMF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Nenhum registro encontrado para a expressão de busca informada. |
|
|
