Identificação de HLB em plantações de citros utilizando redes convolucionais profundas

Detalhes bibliográficos
Autor(a) principal: Marques, Miguel Nakajima, 1983-
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/5704
Resumo: Orientador: Ely Carneiro de Paiva
id UNICAMP-30_3b445c0c6f3a3129edce413eba1cef77
oai_identifier_str oai::1250270
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Identificação de HLB em plantações de citros utilizando redes convolucionais profundasHLB identification in citrus crops using deep convolutional networksVisão por computadorAgriculturaPython (Linguagem de programação de computador)Computer visionAgriculturePython (Computer program language)Orientador: Ely Carneiro de PaivaDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia MecânicaResumo: O método tradicional mais difundido para a identificação de plantas doentes com Huanglongbing é a inspeção visual. O uso de redes convolucionais profundas para tarefas de classificação e segmentação de imagens em diversos campos de aplicação já foi comprovada como eficaz, robusta e possível de ser implementada em sistemas embarcados. O trabalho aqui proposto visa apresentar uma técnica para utilização de redes neurais convolucionais profundas para identificação dessa doença em plantações de citros através de imagens capturadas por uma câmera digital. Foi selecionada a arquitetura padronizada InceptionV3 com as camadas classificadoras finais adaptadas para a aplicação em questão. São utilizados três tipos de imagens: folhas com fundo real (de campo), folhas com fundo homogêneo (estúdio) e imagens de plantas inteiras de duas classes diferentes: saudáveis e doentes. Para acelerar o processo de treinamento é utilizada a técnica de transfer learning com o pré carregamento de pesos do desafio ImageNet. São comparados dois procedimentos diferentes para o treinamento a partir dos pesos pré-carregados: congelar os pesos das camadas convolucionais e treinar somente as camadas classificadoras finais e treinar todas as camadas da rede. O sistema para o treinamento da rede foi implementado em linguagem Python. Para melhorar a robustez do treinamento foi utilizada a técnica de data augmentation e comparado o resultado com e sem o uso dessa técnica. Para os conjuntos de dados finais foram criados conjuntos de teste com imagens segregadas e não utilizadas no treinamento e no processo de data augmentation. Os resultados se mostraram satisfatórios quando treinada a rede toda e utilizando data augmentation nos dados de treinamento, chegando a atingir 95% de acurácia em imagens nunca vistas pela redeAbstract: The traditional method for identifying Huanglongbing infected plants is visual inspection. The usage of convolutional neural networks for image classification and segmentation tasks has been proved to be efficient, robust, and capable of being implemented in embedded solutions. The work presented here proposes the use of a technique that employs deep convolutional neural networks to identify healthy and infected plants through images captured by a digital camera. The standard architecture InceptionV3 was selected to be used with its final classifier layers adapted to the task at hand. It uses three different image types: images with homogeneous background, images with field background and whole plant images of two different classes: healthy and infected. To speed up the training process the transfer learning technique was used to pre-load the weights of the ImageNet challenge. Starting from the pre-loaded weights, two different training procedures are compared: freezing the convolutional layer’s weights and training only the final classifier layers and training the whole network. The system used for the training was implemented in the Python language. To enhance the robustness of the training, the data augmentation technique was used, and its results were compared to the case where this technique is not used. For the final datasets, test batches were created using images that were segregated from the training and validation and that were not used in the data augmentation process. The results have shown to be satisfactory when the whole network is trained and data augmentation technique is used in the training data, reaching 95% accuracy in images never seen by the network beforeMestradoMecatrônicaMestre em Engenharia MecânicaCNPQ380703/2020-3FAPESP2014/50851-0[s.n.]Paiva, Ely Carneiro de, 1965-Fantinato, Denis GustavoMastelari, NiederauerUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia MecânicaPrograma de Pós-Graduação em Engenharia MecânicaUNIVERSIDADE ESTADUAL DE CAMPINASMarques, Miguel Nakajima, 1983-20222022-04-29T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (58 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/5704MARQUES, Miguel Nakajima. Identificação de HLB em plantações de citros utilizando redes convolucionais profundas. 2022. 1 recurso online (58 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/5704. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1250270Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2022-09-27T19:14:05Zoai::1250270Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2022-09-27T19:14:05Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
HLB identification in citrus crops using deep convolutional networks
title Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
spellingShingle Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
Marques, Miguel Nakajima, 1983-
Visão por computador
Agricultura
Python (Linguagem de programação de computador)
Computer vision
Agriculture
Python (Computer program language)
title_short Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
title_full Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
title_fullStr Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
title_full_unstemmed Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
title_sort Identificação de HLB em plantações de citros utilizando redes convolucionais profundas
author Marques, Miguel Nakajima, 1983-
author_facet Marques, Miguel Nakajima, 1983-
author_role author
dc.contributor.none.fl_str_mv Paiva, Ely Carneiro de, 1965-
Fantinato, Denis Gustavo
Mastelari, Niederauer
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Mecânica
Programa de Pós-Graduação em Engenharia Mecânica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Marques, Miguel Nakajima, 1983-
dc.subject.por.fl_str_mv Visão por computador
Agricultura
Python (Linguagem de programação de computador)
Computer vision
Agriculture
Python (Computer program language)
topic Visão por computador
Agricultura
Python (Linguagem de programação de computador)
Computer vision
Agriculture
Python (Computer program language)
description Orientador: Ely Carneiro de Paiva
publishDate 2022
dc.date.none.fl_str_mv 2022
2022-04-29T00:00:00Z
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 https://hdl.handle.net/20.500.12733/5704
MARQUES, Miguel Nakajima. Identificação de HLB em plantações de citros utilizando redes convolucionais profundas. 2022. 1 recurso online (58 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/5704. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/5704
identifier_str_mv MARQUES, Miguel Nakajima. Identificação de HLB em plantações de citros utilizando redes convolucionais profundas. 2022. 1 recurso online (58 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecânica, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/5704. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1250270
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (58 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189184568557568

Registros relacionados