| |
|
|
|
Registro Completo |
|
Biblioteca(s): |
Embrapa Mandioca e Fruticultura. |
|
Data corrente: |
22/09/2021 |
|
Data da última atualização: |
19/10/2021 |
|
Tipo da produção científica: |
Capítulo em Livro Técnico-Científico |
|
Autoria: |
BORGES, A. L.; SOUZA, L. da S. |
|
Afiliação: |
ANA LUCIA BORGES, CNPMF; LUCIANO DA SILVA SOUZA. |
|
Título: |
Calagem e adubação para a bananeira. |
|
Ano de publicação: |
2021 |
|
Fonte/Imprenta: |
In: BORGES, A. L. (Ed.). Recomendações de calagem e adubação para abacaxi, acerola, banana, citros, mamão, mandioca, manga e maracujá. Brasília, DF: Embrapa, 2021. Cap. 8. p.139-164. |
|
Idioma: |
Português |
|
Thesagro: |
Bananal; Calagem; Solo. |
|
Thesaurus Nal: |
Soil. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/item/227056/1/cap8-livro-RecomendacaoCalagemAdubacao-AnaLuciaBorges-AINFO.pdf
|
|
Marc: |
LEADER 00579naa a2200169 a 4500
001 2134670
005 2021-10-19
008 2021 bl uuuu u00u1 u #d
100 1 $aBORGES, A. L.
245 $aCalagem e adubação para a bananeira.$h[electronic resource]
260 $c2021
650 $aSoil
650 $aBananal
650 $aCalagem
650 $aSolo
700 1 $aSOUZA, L. da S.
773 $tIn: BORGES, A. L. (Ed.). Recomendações de calagem e adubação para abacaxi, acerola, banana, citros, mamão, mandioca, manga e maracujá. Brasília, DF: Embrapa, 2021. Cap. 8. p.139-164.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Mandioca e Fruticultura (CNPMF) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
URL |
Voltar
|
|
|
Registro Completo
|
Biblioteca(s): |
Embrapa Gado de Corte. |
|
Data corrente: |
25/01/2023 |
|
Data da última atualização: |
25/01/2023 |
|
Tipo da produção científica: |
Artigo em Periódico Indexado |
|
Circulação/Nível: |
A - 1 |
|
Autoria: |
SANTOS; MARCATO JUNIOR, J.; ZAMBONI, P.; SANTOS, M. F.; JANK, L.; CAMPOS, E.; MATSUBARA, E. T. |
|
Afiliação: |
LUIZ SANTOS, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; JOSÉ MARCATO JUNIOR, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; PEDRO ZAMBONI, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; MATEUS FIGUEIREDO SANTOS, CNPGC; LIANA JANK, CNPGC; EDILENE CAMPOS, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL; EDSON TAKASHI MATSUBARA, UNIVERSIDADE FEDERAL DE MATO GROSSO DO SUL. |
|
Título: |
Deep learning regression approaches applied to estimate tillering in tropical forages using mobile phone images. |
|
Ano de publicação: |
2022 |
|
Fonte/Imprenta: |
Sensors, v. 22, article 4116, 2022. |
|
ISSN: |
1424-8220 |
|
DOI: |
https://doi.org/10.3390/s22114116 |
|
Idioma: |
Inglês |
|
Notas: |
Na publicação: Mateus Figueiredo Santos. |
|
Conteúdo: |
We assessed the performance of Convolutional Neural Network (CNN)-based approaches using mobile phone images to estimate regrowth density in tropical forages. We generated a dataset composed of 1124 labeled images with 2 mobile phones 7 days after the harvest of the forage plants. Six architectures were evaluated, including AlexNet, ResNet (18, 34, and 50 layers), ResNeXt101, and DarkNet. The best regression model showed a mean absolute error of 7.70 and a correlation of 0.89. Our findings suggest that our proposal using deep learning on mobile phone images can successfully be used to estimate regrowth density in forages. |
|
Thesagro: |
Banco de Germoplasma; Forragem; Panicum Maximum; Tecnologia. |
|
Thesaurus NAL: |
Forage; Mechanical harvesting; Regression analysis; Tillering. |
|
Categoria do assunto: |
-- |
|
URL: |
https://ainfo.cnptia.embrapa.br/digital/bitstream/doc/1151204/1/Deep-learning-regression-2022.pdf
|
|
Marc: |
LEADER 01578naa a2200325 a 4500
001 2151204
005 2023-01-25
008 2022 bl uuuu u00u1 u #d
022 $a1424-8220
024 7 $ahttps://doi.org/10.3390/s22114116$2DOI
100 1 $aSANTOS
245 $aDeep learning regression approaches applied to estimate tillering in tropical forages using mobile phone images.$h[electronic resource]
260 $c2022
500 $aNa publicação: Mateus Figueiredo Santos.
520 $aWe assessed the performance of Convolutional Neural Network (CNN)-based approaches using mobile phone images to estimate regrowth density in tropical forages. We generated a dataset composed of 1124 labeled images with 2 mobile phones 7 days after the harvest of the forage plants. Six architectures were evaluated, including AlexNet, ResNet (18, 34, and 50 layers), ResNeXt101, and DarkNet. The best regression model showed a mean absolute error of 7.70 and a correlation of 0.89. Our findings suggest that our proposal using deep learning on mobile phone images can successfully be used to estimate regrowth density in forages.
650 $aForage
650 $aMechanical harvesting
650 $aRegression analysis
650 $aTillering
650 $aBanco de Germoplasma
650 $aForragem
650 $aPanicum Maximum
650 $aTecnologia
700 1 $aMARCATO JUNIOR, J.
700 1 $aZAMBONI, P.
700 1 $aSANTOS, M. F.
700 1 $aJANK, L.
700 1 $aCAMPOS, E.
700 1 $aMATSUBARA, E. T.
773 $tSensors$gv. 22, article 4116, 2022.
Download
Esconder MarcMostrar Marc Completo |
|
Registro original: |
Embrapa Gado de Corte (CNPGC) |
|
|
Biblioteca |
ID |
Origem |
Tipo/Formato |
Classificação |
Cutter |
Registro |
Volume |
Status |
Fechar
|
| Expressão de busca inválida. Verifique!!! |
|
|
