02751nam a2200205 a 450000100080000000500110000800800410001910000200006024501370008026002280021730000100044552019410045565300200239665300270241665300210244370000180246470000200248270000190250270000240252121592772024-01-15       2023    bl uuuu     u00u1 u    #d1 aVIANA, J. V. S.  aUtilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse.h[electronic resource]  aIn: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 15., 2023, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2023. Coordenadores:Cintia Righetti Marcondes; Daniel Souza Corrêac2023  a34 p.  aA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. A partir desses resultados, conclui-se que o desenvolvimento de soluções usando machine learning pode contribuir significativamente para o monitoramento e aprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e a sustentabilidade da agricultura.  aClassificação  aDetecção de doenças  aMachine learning1 aDANTAS, L. P.1 aPAULA, O. R. de1 aBARRETO, B. B.1 aMILORI, D. M. B. P.