"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 19464
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Exatas e Tecnológicas |
| Área temática | Inteligência Artificial |
| Setor | Instituto de Ciências Exatas e Tecnológicas - Campus Rio Paranaíba |
| Bolsa | Não se Aplica |
| Conclusão de bolsa | Não |
| Primeiro autor | Gabriel Sávio de Lima Mota |
| Orientador | JOAO FERNANDO MARI |
| Outros membros | LARISSA FERREIRA RODRIGUES MOREIRA |
| Título | Classificação de pragas em imagens de plantações utilizando deep learning |
| Resumo | O controle de pragas em plantações é de extrema importância para o setor do agronegócio, devido à ameaça significativa que esses organismos representam para as culturas agrícolas, podendo resultar em danos consideráveis e drástica redução da produtividade. Nesse contexto, o uso de métodos de visão computacional surge como uma abordagem promissora para a detecção e classificação de pragas em imagens digitais obtidas das plantações, permitindo uma resposta ágil e adequada a diferentes tipos de pragas. O objetivo deste estudo consiste em avaliar e testar modelos baseados em deep learning para a classificação de pragas em imagens de plantações. Diversas arquiteturas de redes neurais convolucionais e modelos baseados em mecanismos de atenção foram investigados, considerando diferentes estratégias de treinamento e técnicas de aumento de dados, como o Cut-Mix. Os experimentos foram conduzidos utilizando o conjunto de imagens IP102, composto por 75.000 imagens que abrangem 102 classes de pragas, categorizadas de acordo com o tipo de cultura afetada, grãos ou frutas. O conjunto de imagens foi disponibilizado publicamente e já está dividido em conjuntos de treinamento, validação e teste, contendo, respectivamente, 45.095, 7.508 e 22.619 imagens. A avaliação do desempenho dos modelos considerou tanto as categorias de culturas agrícolas de forma conjunta quanto individual (grãos e frutas), além de selecionar subgrupos contendo apenas as classes com maior contagem de indivíduos. Os experimentos foram implementados utilizando as linguagens Python e as bibliotecas PyTorch, torchvision e Scikit-learn. Os resultados foram avaliados com base na acurácia obtida nos conjuntos de validação e de testes, fornecendo informações valiosas sobre os melhores modelos e estratégias de treinamento para solucionar o problema em questão. Este estudo demonstrou a capacidade dos modelos de deep learning em discriminar diferentes tipos de pragas em imagens obtidas de plantações, abrindo caminho para o desenvolvimento de tecnologias e soluções que auxiliem o controle dessas pragas no campo. |
| Palavras-chave | deep learning, classificação de pragas, visão computacional |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|