Use este identificador para citar ou linkar para este item: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1159277
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorVIANA, J. V. S.
dc.contributor.authorDANTAS, L. P.
dc.contributor.authorPAULA, O. R. de
dc.contributor.authorBARRETO, B. B.
dc.contributor.authorMILORI, D. M. B. P.
dc.date.accessioned2023-12-07T14:32:15Z-
dc.date.available2023-12-07T14:32:15Z-
dc.date.created2023-12-07
dc.date.issued2023
dc.identifier.citationIn: 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 Corrêa
dc.identifier.urihttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1159277-
dc.descriptionA 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.
dc.language.isopor
dc.rightsopenAccess
dc.subjectMachine learning
dc.subjectClassificação
dc.subjectDetecção de doenças
dc.titleUtilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse.
dc.typeResumo em anais e proceedings
dc.format.extent234 p.
riaa.ainfo.id1159277
riaa.ainfo.lastupdate2023-12-07
dc.contributor.institutionJOÃO VICTOR SILVA VIANA, Universidade de São Paulo
dc.contributor.institutionLETICIA PIAZENTIN DANTAS, Universidade Federal de São Carlospt_BR
dc.contributor.institutionOTÁVIO RODRIGUES DE PAULA, Universidade Federal de São Carlospt_BR
dc.contributor.institutionBIANCA BATISTA BARRETOpt_BR
dc.contributor.institutionDEBORA MARCONDES BASTOS PEREIRA, CNPDIA.pt_BR
Aparece nas coleções:Resumo em anais de congresso (CNPDIA)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
P-Utilizacao-de-machine-learning-para-classificacao-de-plantas.pdf318.95 kBAdobe PDFThumbnail
Visualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas

FacebookTwitterDeliciousLinkedInGoogle BookmarksMySpace