|
|
Registros recuperados : 24 | |
5. | | OLIVEIRA, G. S. de; SILVEIRA, E. S.; SANTOS, M. F.; FERNANDES, C. D.; JANK, L.; MATSUBARA, E. T. Caracterização do banco de germoplasma de Panicum maximum quanto a fatores bióticos: uso de drones para avaliação de doenças. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 15., 2019, Campo Grande, MS. [Resumos dos trabalhos...]. Brasília, DF: Embrapa, 2019 80 p. (Embrapa Gado de Corte. Documentos, 264). Comitê Organizador: Marlene de Barros Coelho; Lenita Ramires dos Santos; Rodrigo Carvalho Alva; Lucimara Chiari; Thais Basso Amaral. p. 40-41 Biblioteca(s): Embrapa Gado de Corte. |
| |
6. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAÚJO, A. F.; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Planaltina, DF: Embrapa Cerrados, 2016. 228-234 Biblioteca(s): Embrapa Agricultura Digital; Embrapa Territorial. |
| |
7. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAÚJO, A. F.; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Planaltina, DF: Embrapa Cerrados, 2016. p. 228-234. Biblioteca(s): Embrapa Cerrados. |
| |
8. | | PADOVANI, C. R.; ESQUERDO, J. C. D. M.; ARAUJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; MINGOTI, R. Sistema de suporte à decisão frente às inundações do Pantanal. In: SEMINÁRIO DA REDE AGROHIDRO, 4., 2016, Brasília, DF. Água e agricultura: incertezas e desafios para a sustentabilidade frente às mudanças do clima e do uso da terra: anais. Brasília, DF: Embrapa, 2016. p. 228-234. Biblioteca(s): Embrapa Pantanal. |
| |
9. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; CARVALHO, G.; ALMEIDA, H.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Adoption of a decision support system for coexistence of extensive livestock to the Pantanal flood dynamics: related factors. In: INTERNATIONAL SYMPOSIUM ON AGRICULTURAL TECHNOLOGY ADOPTION, 1., 2020, Campo Grande, MS. Studies, methods and experiences. Campo Grande: MS, Embrapa Gado de Corte, 2020. p. 149-150. (Embrapa Gado de Corte. Documentos, 279). Editores: Mariana de Aragão Pereira, João Augusto Rossi Borges, Carla Heloisa Faria Domingues. ISATA 2020. Biblioteca(s): Embrapa Agricultura Digital. |
| |
10. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; CARVALHO, G.; ALMEIDA, H.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Adoption of a decision support system for coexistence of extensive livestock to the Pantanal flood dynamics: related factors. In: INTERNATIONAL SYMPOSIUM ON AGRICULTURAL TECHNOLOGY ADOPTION, 1., 2020, Campo Grande, MS. Studies, methods and experiences. Campo Grande: MS, Embrapa Gado de Corte, 2020. p. 149-150. (Embrapa Gado de Corte. Documentos, 279). Editores: Mariana de Aragão Pereira, João Augusto Rossi Borges, Carla Heloisa Faria Domingues. ISATA 2020. Biblioteca(s): Embrapa Pantanal. |
| |
11. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Decision making support system for the adaptation and coexistence of extensive livestock farming in the dynamics of pantanal floods and droughts in face of climate change. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W . G. da (ed.). Adapting to climate change: strategies for Brazilian agricultural and livestock systems. Brasília, DF: MAPA, 2021. p. 92-93. Biblioteca(s): Embrapa Agricultura Digital. |
| |
12. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Decision making support system for the adaptation and coexistence of extensive livestock farming in the dynamics of pantanal floods and droughts in face of climate change. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W . G. da (ed.). Adapting to climate change: strategies for Brazilian agricultural and livestock systems. Brasília, DF: MAPA, 2021. p. 92-93. Biblioteca(s): Embrapa Pantanal. |
| |
13. | | RODRIGUES, L. de S.; CAIXETA FILHO, E.; SAKIYAMA, K.; SANTOS, M. F.; JANK, L.; CARROMEU, C.; SILVEIRA, E.; MATSUBARA, E. T.; MARCATO JUNIOR, J.; GONCALVES, W. N. Deep4Fusion: a Deep FORage Fusion framework for high-throughput phenotyping for green and dry matter yield traits. Computers and Electronics in Agriculture, v. 211, 2023. 14 p. Biblioteca(s): Embrapa Gado de Corte. |
| |
14. | | CRIVELLARO, L. L.; MATSUBARA, E. T.; BARRIOS, S. C. L.; CARROMEU, C.; SANTOS, M. F.; VALLE, C. B. do; JANK, L. Pasto Certo: escolha de cultivares com Inteligência Artificial. In: JORNADA CIENTÍFICA EMBRAPA GADO DE CORTE, 14., 2018, Campo Grande - MS. [Resumos dos trabalhos]. Brasília, DF, Embrapa, 2018 115 p. (Embrapa Gado de Corte. Documentos, 258). p. 64-65 Biblioteca(s): Embrapa Gado de Corte. |
| |
15. | | BARRIOS, S. C. L.; CARROMEU, C.; MATSUBARA, E. T.; CRIVELLARO, L. L.; SILVA, M. A. I. da; VALLE, C. B. do; SANTOS, M. F.; JANK, L. Pasto Certo - versão 2.0®: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Gado de Corte, 2019. 13 p. (Embrapa Gado de Corte. Comunicado técnico, 148). Biblioteca(s): Embrapa Gado de Corte. |
| |
16. | | PADOVANI, C. R.; ARAÚJO, A. F. de; ISHII, R. P.; MATSUBARA, E. T.; ESQUERDO, J. C. D. M.; ANTONIASSI, R. A. dos S. Sistema de suporte à decisão para a adaptação e convivência da pecuária extensiva à dinâmica das inundações e estiagens do Pantanal frente às mudanças climáticas. In: SOTTA, E. D.; SAMPAIO, F. G.; MARZALL, K.; SILVA, W. G. da (org.). Estratégias de adaptação às mudanças do clima dos sistemas agropecuários brasileiros. Brasília, DF: MAPA, 2021. p. 92-93. Biblioteca(s): Embrapa Agricultura Digital; Embrapa Pantanal. |
| |
17. | | WEBER, F. de L.; WEBER, V. A. de M; MORAES, P. H. de; MATSUBARA, E. T.; PAIVA, D. M. B.; GOMES, M. de N. B.; OLIVEIRA, L. O. F. de; MEDEIROS, S. R. de; CAGNIN, M. I. Counting cattle in UAV images using convolutional neural network. Remote Sensing Applications: Society and Environment, v. 29, article 100900, 2023. Biblioteca(s): Embrapa Gado de Corte; Embrapa Pecuária Sudeste. |
| |
18. | | BARRIOS, S. C. L.; CARROMEU, C.; CRIVELLARO, L. L.; VERZIGNASSI, J. R.; ZIMMER, A. H.; SANTOS, M. F.; JANK, L.; VALLE, C. B. do; JOSÉ, M. R.; GOMES, O. C. de O.; MATSUBARA, E. T.; SILVA, M. A. I. da. Pasto Certo - versão 3.0: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Embrapa Gado de Corte, 2021. (Embrapa Gado de Corte / Comunicado Técnico, 159) Biblioteca(s): Embrapa Gado de Corte. |
| |
19. | | BARRIOS, S. C. L.; CARROMEU, C.; BARRIGOSSE, F. F.; MARTUSCELLO, J. A.; CUNHA, D. de N. F. V. da; EUCLIDES, V. P. B.; MONTAGNER, D. B.; MATSUBARA, E. T.; SILVA, M. A. I. da. Pasto Certo - versão 4.0: aplicativo para dispositivos móveis e desktop sobre forrageiras tropicais. Campo Grande, MS: Embrapa Gado de Corte, 2024. 18 p. (Embrapa Gado de Corte. Comunicado técnico, 171). Biblioteca(s): Embrapa Gado de Corte. |
| |
20. | | OSCO, L. P.; MARCATO JUNIOR, J.; RAMOS, A. P. M.; JORGE, L. A. de C.; FATHOLAHI, S. N.; SILVA, J. A.; MATSUBARA, E. T.; PISTORI, H.; GONÇALVES, W. N.; LI, J. A review on deep learning in UAV remote sensing. International Journal of Applied Earth Observations and Geoinformation, v. 102, 102456, 2021. 1 - 22 Biblioteca(s): Embrapa Instrumentação. |
| |
Registros recuperados : 24 | |
|
|
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
|
Nenhum registro encontrado para a expressão de busca informada. |
|
|