“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.
8 a 10 de novembro de 2022
Trabalho 17493
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Agrárias |
| Área temática | Engenharia agrícola |
| Setor | Departamento de Engenharia Agrícola |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Não |
| Primeiro autor | Iara Aparecida Dias |
| Orientador | FLORA MARIA DE MELO VILLAR |
| Outros membros | Poliana Maria da Costa Bandeira |
| Título | Estimativa de produtividade da soja utilizando técnicas de inteligência artificial. |
| Resumo | A estimativa de produtividade da cultura da soja é comumente realizada por métodos convencionais, sendo um processo lento, oneroso e susceptível a erros humanos. Portanto, objetivou-se desenvolver um modelo, com base em aprendizagem profunda de máquinas, para realizar a estimativa de produtividade da soja, utilizando imagens digitais obtidas por meio de um dispositivo móvel. Foi analisada a capacidade do modelo proposto de estimar a produtividade da soja através da classificação correta de vagens que possuem diferentes números de grãos e realização da contagem do número de vagens e grãos. O banco de dados foi construído a partir de duas diferentes formas de aquisição de imagem sendo uma a aquisição de imagens 1 (AI1) com imagens das plantas recém retiradas da área experimental, com preservação de folhas, ramos e vagens, e a aquisição de imagens 2 (AI2) com imagens obtidas das vagens destacadas da planta. Os métodos AI1 e AI2 foram realizados para cada uma das plantas. Foram analisadas duas cultivares de soja, TMG 7063 IPRO (cultivar 1) e TMG 7363 RR (cultivar 2). A captura das imagens foi realizada em campo, para manter mais próximo da situação real. As três etapas da avaliação do modelo foram, a primeira em que foi a avaliação quanto a classificação, utilizando as métricas de precisão, sensibilidade e a pontuação F1. A segunda onde foi avaliada a capacidade do modelo em contar corretamente o número de vagens e grãos em comparação aos dados contados manualmente. A determinação do erro entre os valores manuais e previstos, foi calculado pelo Erro Percentual Absoluto Médio (MAPE). A validação da estimativa de produtividade ocorreu entre a comparação dos valores reais, que foi realizado com o método convencional e os valores previstos, que foi realizado pelo modelo. também foi calculado o MAPE para determinar o erro presente na estimativa de produtividade determinada pelo modelo. Os resultados alcançados pelo modelo ao utilizar os dados obtidos pela AI1 na classificação para a métrica pontuação F1 foram de 22,22%, 52,31%, 65,93% e 3,13% para as classes “um”, “dois”, “três” e “quatro”, respectivamente. Já o valor do MAPE, para os dados da AI1, apresentado na contagem de vagens e grãos, bem como, na estimativa de produtividade foram de 34,69% (vagens) e 35,25% (grãos), 44,76% (cultivar 1) e 32,73% (cultivar 2). Os valores, para classificação, alcançados pelo modelo ao utilizar os dados obtidos pela AI2 foram de 31,58%, 75,63%, 90,51% e 21,62% para as classes “um”, “dois”, “três” e “quatro”, respectivamente. O MAPE para contagem de vagens e grãos e, também, estimativa de produtividade com os dados da AI2 foram de 7,50% (vagens) e 5,32% (grãos), 6,29% (cultivar 1) e 5,50% (cultivar2). Assim, os dados obtidos por meio da AI2 proporcionaram o melhor desempenho do modelo, e a cultivar 2 (TMG 7363 RR) apresentou o menor erro na estimativa de produtividade em ambos métodos de aquisição de imagens analisadas neste trabalho. |
| Palavras-chave | aprendizado profundo, sensoriamento remoto, soja |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|