|
|
Registros recuperados : 1 | |
Registros recuperados : 1 | |
|
|
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. |
|
|