Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
Texto Completo: | http://hdl.handle.net/10198/22839 |
Resumo: | Recentemente, detectou-se em Portugal, o inseto Trioza erytrea, o qual tem a possibilidade de transmitir a doença Huanglongbing (Citrus Greening) prejudicial à cultura dos citrinos. Esta patologia ainda não possui cura e tem alto potencial lesivo ao cultivo. Embora a doença não se manifestou-se em território português, métodos preventivos, baseados no monitoramento da quantidade de Triozas, são indispensáveis para efetivas estratégias de contingência, assim como antecipar uma possível disseminação. O método tradicional de monitoramento é realizado por intermédio de um profissional incumbido de identificar e contabilizar manualmente a Trioza e mais quatro outros insetos (indicadores da presença de Trioza), a partir de armadilhas autocolantes instaladas nas plantações de citros. Esse modo de execução consome tempo considerável, é suscetível a erros e demanda um profissional que nem sempre está disponível. Nesse sentido, o presente trabalho se propôs a desenvolver uma solução computacional, mediante a utilização de Redes Neurais Convolucional (RNC). Isso se deu por meio de uma aplicação, a qual desempenha a função de identificar, classificar e contar automaticamente os insetos citados. Realizou-se o estudo do desempenho de arquiteturas de RNC, as quais possuem a potencialidade de reconhecer insetos a partir de imagens. Como resultado, mostrou-se que a arquitetura SSD com Inception-v2 obteve melhor desempenho na identificação de Trioza. Porém, num primeiro momento, não se tem a viabilização da substituição do método tradicional pela aplicação, isso em decorrência das deficiências nos processos de aprendizagem. |
id |
RCAP_38e72dbac3af6e3de6fd804f1e54e29d |
---|---|
oai_identifier_str |
oai:bibliotecadigital.ipb.pt:10198/22839 |
network_acronym_str |
RCAP |
network_name_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository_id_str |
7160 |
spelling |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citrosAprendizagem profundaRedes neurais convolucionaisCitrosProcessamento de imagensTrioza erytreFaster R-CNNSSDInception v2ResNet-50Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e InformáticaRecentemente, detectou-se em Portugal, o inseto Trioza erytrea, o qual tem a possibilidade de transmitir a doença Huanglongbing (Citrus Greening) prejudicial à cultura dos citrinos. Esta patologia ainda não possui cura e tem alto potencial lesivo ao cultivo. Embora a doença não se manifestou-se em território português, métodos preventivos, baseados no monitoramento da quantidade de Triozas, são indispensáveis para efetivas estratégias de contingência, assim como antecipar uma possível disseminação. O método tradicional de monitoramento é realizado por intermédio de um profissional incumbido de identificar e contabilizar manualmente a Trioza e mais quatro outros insetos (indicadores da presença de Trioza), a partir de armadilhas autocolantes instaladas nas plantações de citros. Esse modo de execução consome tempo considerável, é suscetível a erros e demanda um profissional que nem sempre está disponível. Nesse sentido, o presente trabalho se propôs a desenvolver uma solução computacional, mediante a utilização de Redes Neurais Convolucional (RNC). Isso se deu por meio de uma aplicação, a qual desempenha a função de identificar, classificar e contar automaticamente os insetos citados. Realizou-se o estudo do desempenho de arquiteturas de RNC, as quais possuem a potencialidade de reconhecer insetos a partir de imagens. Como resultado, mostrou-se que a arquitetura SSD com Inception-v2 obteve melhor desempenho na identificação de Trioza. Porém, num primeiro momento, não se tem a viabilização da substituição do método tradicional pela aplicação, isso em decorrência das deficiências nos processos de aprendizagem.Recently, the insect Trioza erytrea was detected in Portugal, which has the possibility of transmitting the disease Huanglongbing (Citrus Greening) harmful to the citrus culture. This pathology has no cure yet and has a high potential for injury to crops. Although the disease did not manifest itself in Portuguese territory, preventive methods, based on monitoring the amount of Triozas, are indispensable for effective contingency strategies, as well as anticipating a possible spread. The traditional method of monitoring is carried out by means of a professional responsible for manually identifying and accounting for Trioza and four other insects (indicators of the presence of Trioza), using self-adhesive traps installed in citrus plantations. This mode of execution consumes considerable time, is susceptible to errors and demands a professional who is not always available. In this sense, the present work proposed to develop a computational solution, through the use of Convolutional Neural Networks (CNN). This was done through an application, which performs the function of automatically identifying, classifying and counting the insects mentioned. The study of the performance of CNN architectures was carried out, which have the potential to recognize insects from images. As a result, it was shown that the SSD architecture with Inception-v2 achieved better performance in identifying Trioza. However, at first, there is no possibility of substituting the traditional method for application, due to deficiencies in the learning processes.Leitão, PauloJanzen, Frederic ConradPereira, J.A.Biblioteca Digital do IPBSantos, Felipe Vieira dos2020-11-05T09:31:07Z202020182020-01-01T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10198/22839TID:202534642porinfo:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-11-21T10:51:07Zoai:bibliotecadigital.ipb.pt:10198/22839Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T23:13:57.730186Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse |
dc.title.none.fl_str_mv |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
title |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
spellingShingle |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros Santos, Felipe Vieira dos Aprendizagem profunda Redes neurais convolucionais Citros Processamento de imagens Trioza erytre Faster R-CNN SSD Inception v2 ResNet-50 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
title_short |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
title_full |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
title_fullStr |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
title_full_unstemmed |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
title_sort |
Aprendizado profundo aplicado no monitoramento de insetos em culturas de citros |
author |
Santos, Felipe Vieira dos |
author_facet |
Santos, Felipe Vieira dos |
author_role |
author |
dc.contributor.none.fl_str_mv |
Leitão, Paulo Janzen, Frederic Conrad Pereira, J.A. Biblioteca Digital do IPB |
dc.contributor.author.fl_str_mv |
Santos, Felipe Vieira dos |
dc.subject.por.fl_str_mv |
Aprendizagem profunda Redes neurais convolucionais Citros Processamento de imagens Trioza erytre Faster R-CNN SSD Inception v2 ResNet-50 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
topic |
Aprendizagem profunda Redes neurais convolucionais Citros Processamento de imagens Trioza erytre Faster R-CNN SSD Inception v2 ResNet-50 Domínio/Área Científica::Engenharia e Tecnologia::Engenharia Eletrotécnica, Eletrónica e Informática |
description |
Recentemente, detectou-se em Portugal, o inseto Trioza erytrea, o qual tem a possibilidade de transmitir a doença Huanglongbing (Citrus Greening) prejudicial à cultura dos citrinos. Esta patologia ainda não possui cura e tem alto potencial lesivo ao cultivo. Embora a doença não se manifestou-se em território português, métodos preventivos, baseados no monitoramento da quantidade de Triozas, são indispensáveis para efetivas estratégias de contingência, assim como antecipar uma possível disseminação. O método tradicional de monitoramento é realizado por intermédio de um profissional incumbido de identificar e contabilizar manualmente a Trioza e mais quatro outros insetos (indicadores da presença de Trioza), a partir de armadilhas autocolantes instaladas nas plantações de citros. Esse modo de execução consome tempo considerável, é suscetível a erros e demanda um profissional que nem sempre está disponível. Nesse sentido, o presente trabalho se propôs a desenvolver uma solução computacional, mediante a utilização de Redes Neurais Convolucional (RNC). Isso se deu por meio de uma aplicação, a qual desempenha a função de identificar, classificar e contar automaticamente os insetos citados. Realizou-se o estudo do desempenho de arquiteturas de RNC, as quais possuem a potencialidade de reconhecer insetos a partir de imagens. Como resultado, mostrou-se que a arquitetura SSD com Inception-v2 obteve melhor desempenho na identificação de Trioza. Porém, num primeiro momento, não se tem a viabilização da substituição do método tradicional pela aplicação, isso em decorrência das deficiências nos processos de aprendizagem. |
publishDate |
2018 |
dc.date.none.fl_str_mv |
2018 2020-11-05T09:31:07Z 2020 2020-01-01T00:00:00Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10198/22839 TID:202534642 |
url |
http://hdl.handle.net/10198/22839 |
identifier_str_mv |
TID:202534642 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação instacron:RCAAP |
instname_str |
Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
instacron_str |
RCAAP |
institution |
RCAAP |
reponame_str |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
collection |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) |
repository.name.fl_str_mv |
Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação |
repository.mail.fl_str_mv |
|
_version_ |
1799135417622069248 |