| |
|
|
| Registros recuperados : 3 | |
| 2. |  | OSCO, L. P.; FURUYA, D. E. G.; FURUYA, M. T. G.; CORRÊA, D. V.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; BORGES, M.; BLASSIOLI-MORAES, M. C.; MICHEREFF, M. F. F.; AQUUINO, M. F. S.; LAUMANN, R. A.; LISENBERG, V.; RAMOS, A. P. M.; JORGE, L. A. de C. An impact analysis of pre-processing techniques in spectroscopy data to classify insect-damaged in soybean plants with machine and deep learning methods. Infrared Physics & Technology, v. 123, 104203, 2022. 13 p.| Biblioteca(s): Embrapa Instrumentação. |
|   |
| 3. | | OSCO, L. P.; FURUYA, D. E. G.; FURUYA, M. T. G.; CORRÊA, D. V.; GONÇALVEZ, W. N.; MARCATO JUNIOR, J.; BORGES, M.; MORAES, M. C. B.; MICHEREFF, M. F. F.; AQUINO, M. F. S.; LAUMANN, R. A.; LISENBERG, V.; RAMOS, A. P. M.; JORGE, L. A. de C. An impact analysis of pre-processing techniques in spectroscopy data to classify insect-damaged in soybean plants with machine and deep learning methods. Infrared Physics & Technology, v. 123, 2022. 104203. Na publicação: Maria Carolina Blassioli-Moraes.| Biblioteca(s): Embrapa Recursos Genéticos e Biotecnologia. |
|  |
| Registros recuperados : 3 | |
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Instrumentação. |
|
Data corrente: |
23/01/2023 |
|
Data da última atualização: |
12/01/2024 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
B - 3 |
|
Autoria: |
CORREA, D. V.; RAMOS, A. P. M.; OSCO, L. P.; JORGE, L. A. de C. |
|
Afiliação: |
LUCIO ANDRE DE CASTRO JORGE, CNPDIA. |
|
Título: |
Aprendizagem de máquina para identificação de plantas de soja sob ataque de insetos usando dados hiperespectrais. |
|
Ano de publicação: |
2023 |
|
Fonte/Imprenta: |
Colloquium Exactarum, v.14, 2023. |
|
Páginas: |
146-153 |
|
ISSN: |
2178-8332 |
|
DOI: |
10.5747/ce.2022.v14.e393 |
|
Idioma: |
Português |
|
Conteúdo: |
A integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas. MenosA integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja.... Mostrar Tudo |
|
Palavras-Chave: |
Aprendizagem de máquina; Medidas de refletância. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/245659/1/P-APRENDIZAGEM-DE-MAQUINA-PARA-IDENTIFICACAO-DE-PLANTAS-DE-SOJA.pdf
|
|
Marc: |
LEADER 02265naa a2200217 a 4500
001 2151175
005 2024-01-12
008 2023 bl uuuu u00u1 u #d
022 $a2178-8332
024 7 $a10.5747/ce.2022.v14.e393$2DOI
100 1 $aCORREA, D. V.
245 $aAprendizagem de máquina para identificação de plantas de soja sob ataque de insetos usando dados hiperespectrais.$h[electronic resource]
260 $c2023
300 $a146-153
520 $aA integração entre as áreas de sensoriamento remoto e machine learning tem permitido um avanço na forma de mapeamento de campos agrícolas e monitoramento de culturas. Este trabalho investiga a capacidade de algoritmos de aprendizagem de máquina em classificar plantas de soja sob ataque de insetos, utilizando medidas de espectroscopia de refletância coletadas ao nível foliar. Para tanto, desenvolveu-se testes com diferentes algoritmos utilizando um conjunto de 991 curvas espectrais referentes à planta de soja saudável e sob ataque de pragas, coletadas em oito dias consecutivos. Essas curvas foram medidas pela equipe da EMBRAPA, usando um espectrorradiômetro portátil, que registra no intervalo de 350 a 2500 nm. Tais curvas foram, inicialmente, pré-processadas para a remoção das regiões de absorção atmosférica pelo vapor d?água, e em seguida subdividida em conjunto de treino, validação e teste dos algoritmos de aprendizagem de máquina. Utilizou-se o interpretador Google Collabs e os algoritmos foram inscritos em linguagem Python, utilizando bibliotecas, como a Skit Sklearn. Dentre os algoritmos utilizados, tem-se Random Forest, Decision Tree, Support Vector Machine, Logistic Regression e Extra-Tree. O Extra-tree tem melhor desempenho (F1-score = 80,40%; precision = 81%; recall = 80%) na tarefa proposta. Conclui-se que é possível processar medidas de espectroscopia de refletância com algoritmos de aprendizagem de máquina para se monitorar o ataque por insetos em plantas de soja. Recomenda-se que a abordagem aplicada seja testada em outras culturas.
653 $aAprendizagem de máquina
653 $aMedidas de refletância
700 1 $aRAMOS, A. P. M.
700 1 $aOSCO, L. P.
700 1 $aJORGE, L. A. de C.
773 $tColloquium Exactarum$gv.14, 2023.
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. |
|
|
