Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais

Detalhes bibliográficos
Autor(a) principal: Leme, Mateus de Campos
Data de Publicação: 2021
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UNESP
Texto Completo: http://hdl.handle.net/11449/237405
Resumo: A aplicação de técnicas de inteligência artificial é ampla e envolve ciências políticas, econômicas, geopolíticas, sociais, agrárias, ambientais, legais e outras. Nas agrárias, elas são utilizadas e experimentadas no reconhecimento de pragas, classificação de culturas, contagem de indivíduos arbóreos visando a otimização e redução de custos. Dentre estas técnicas, o deep learning, ou aprendizado profundo de máquinas, é uma opção interessante. Também conhecida como redes neurais profundas convolucionais, tem por base modelos matemáticos capazes de realizar o processo de classificação de imagens. No setor florestal, essa metodologia pode ser aplicada visando a melhoria de produtividade e auxiliando na conservação. O presente estudo teve como objetivo aplicar deep learning para classificar imagens de mudas florestais no processo de identificação de mudas e prognóstico visual. O estudo envolveu a criação de dois datasets: um com 610 imagens, sendo 400 para treino, 200 para teste e 10 para validação, balanceado entre as classes: pau d’alho e ipê-verde; e o outro com imagens de cabreúva, pau d’alho, brinco-de-índio, jatobá e ipê-verde, composto por 1298 imagens sendo 1022 para treino, 256 para teste e 20 para validação. As bibliotecas importadas para realização do processamento e classificação foram Keras, com o framework do Tensorflow, e Matplotlib, todas usando a linguagem de programação Python. A avaliação da performance preditiva do modelo utilizou o 10-fold cross validation. Na classificação entre as mudas de pau d’alho e ipê-verde, a acurácia média foi de 96,84%. Para o teste de prognóstico visual, as classes foram divididas em mudas com anomalia e mudas padrão, e a acurácia média foi de 49,18%. Assim, para diferenciar as duas espécies, o modelo pode ser incorporado em uma API ou Software para aplicação em viveiros florestais. Para utilização com fins de realização do prognóstico visual, serão necessárias adaptações.
id UNSP_71b3a2892caadd54369a6bb831171b82
oai_identifier_str oai:repositorio.unesp.br:11449/237405
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str 2946
spelling Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestaisArtificial Intelligence used in species identification and visual prognosis of forest seedlingsinteligência artificialredes neurais convolucionaisviveiros florestaisartificial intelligenceconvolutional neural networksnurseriesA aplicação de técnicas de inteligência artificial é ampla e envolve ciências políticas, econômicas, geopolíticas, sociais, agrárias, ambientais, legais e outras. Nas agrárias, elas são utilizadas e experimentadas no reconhecimento de pragas, classificação de culturas, contagem de indivíduos arbóreos visando a otimização e redução de custos. Dentre estas técnicas, o deep learning, ou aprendizado profundo de máquinas, é uma opção interessante. Também conhecida como redes neurais profundas convolucionais, tem por base modelos matemáticos capazes de realizar o processo de classificação de imagens. No setor florestal, essa metodologia pode ser aplicada visando a melhoria de produtividade e auxiliando na conservação. O presente estudo teve como objetivo aplicar deep learning para classificar imagens de mudas florestais no processo de identificação de mudas e prognóstico visual. O estudo envolveu a criação de dois datasets: um com 610 imagens, sendo 400 para treino, 200 para teste e 10 para validação, balanceado entre as classes: pau d’alho e ipê-verde; e o outro com imagens de cabreúva, pau d’alho, brinco-de-índio, jatobá e ipê-verde, composto por 1298 imagens sendo 1022 para treino, 256 para teste e 20 para validação. As bibliotecas importadas para realização do processamento e classificação foram Keras, com o framework do Tensorflow, e Matplotlib, todas usando a linguagem de programação Python. A avaliação da performance preditiva do modelo utilizou o 10-fold cross validation. Na classificação entre as mudas de pau d’alho e ipê-verde, a acurácia média foi de 96,84%. Para o teste de prognóstico visual, as classes foram divididas em mudas com anomalia e mudas padrão, e a acurácia média foi de 49,18%. Assim, para diferenciar as duas espécies, o modelo pode ser incorporado em uma API ou Software para aplicação em viveiros florestais. Para utilização com fins de realização do prognóstico visual, serão necessárias adaptações.The application of artificial intelligence techniques is broad and involves political, economic, geopolitical, social, agrarian, environmental, legal, and other sciences. In the agrarian sciences, they are used and experimented with within the recognition of pests, classification of crops, counting of tree individuals aiming at optimization, and cost reduction. Among these techniques, deep learning or deep machine learning is an interesting option. Also known as convolutional deep neural networks, it is based on mathematical models capable of performing the image classification process. In the forestry sector, this methodology can be applied to improve productivity and aid in conservation. The present study aimed to apply deep learning to classify images of forest seedlings in the process of seedling identification and visual prognosis. The study involved the creation of two datasets: one with 610 images, 400 for training, 200 for testing and 10 for validation, balanced between the classes: pau d'alho and ipê-verde and the other with images of cabreúva, pau d'alho, brinco- de-índio, jatobá, and ipê-verde, composed of 1298 images, 1022 for training, 256 for testing and 20 for validation. The libraries imported for processing and classification were Keras, with the Tensorflow framework, and matplotlib, all using the python programming language. The evaluation of the predictive performance of the model used 10-fold Cross-Validation. In the classification between pau d'alho and ipê verde seedlings, the average accuracy was 96.84%. For the visual prediction test, the classes were divided into seedlings with anomaly and standard seedlings, and the average accuracy was 49.18%. Thus, to differentiate the two species, the model can be incorporated into an API or Software for application in forest nurseries. For use for visual prediction purposes, adaptations will be required.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)001Universidade Estadual Paulista (Unesp)Campos, SérgioPinheiro, Osvaldo CésarUniversidade Estadual Paulista (Unesp)Leme, Mateus de Campos2022-11-09T18:43:50Z2022-11-09T18:43:50Z2021-03-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/11449/23740533004064021P7porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2024-05-02T14:11:20Zoai:repositorio.unesp.br:11449/237405Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestopendoar:29462024-08-05T22:06:36.656996Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
Artificial Intelligence used in species identification and visual prognosis of forest seedlings
title Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
spellingShingle Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
Leme, Mateus de Campos
inteligência artificial
redes neurais convolucionais
viveiros florestais
artificial intelligence
convolutional neural networks
nurseries
title_short Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
title_full Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
title_fullStr Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
title_full_unstemmed Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
title_sort Inteligência artificial utilizada na identificação de espécies e prognóstico visual de mudas florestais
author Leme, Mateus de Campos
author_facet Leme, Mateus de Campos
author_role author
dc.contributor.none.fl_str_mv Campos, Sérgio
Pinheiro, Osvaldo César
Universidade Estadual Paulista (Unesp)
dc.contributor.author.fl_str_mv Leme, Mateus de Campos
dc.subject.por.fl_str_mv inteligência artificial
redes neurais convolucionais
viveiros florestais
artificial intelligence
convolutional neural networks
nurseries
topic inteligência artificial
redes neurais convolucionais
viveiros florestais
artificial intelligence
convolutional neural networks
nurseries
description A aplicação de técnicas de inteligência artificial é ampla e envolve ciências políticas, econômicas, geopolíticas, sociais, agrárias, ambientais, legais e outras. Nas agrárias, elas são utilizadas e experimentadas no reconhecimento de pragas, classificação de culturas, contagem de indivíduos arbóreos visando a otimização e redução de custos. Dentre estas técnicas, o deep learning, ou aprendizado profundo de máquinas, é uma opção interessante. Também conhecida como redes neurais profundas convolucionais, tem por base modelos matemáticos capazes de realizar o processo de classificação de imagens. No setor florestal, essa metodologia pode ser aplicada visando a melhoria de produtividade e auxiliando na conservação. O presente estudo teve como objetivo aplicar deep learning para classificar imagens de mudas florestais no processo de identificação de mudas e prognóstico visual. O estudo envolveu a criação de dois datasets: um com 610 imagens, sendo 400 para treino, 200 para teste e 10 para validação, balanceado entre as classes: pau d’alho e ipê-verde; e o outro com imagens de cabreúva, pau d’alho, brinco-de-índio, jatobá e ipê-verde, composto por 1298 imagens sendo 1022 para treino, 256 para teste e 20 para validação. As bibliotecas importadas para realização do processamento e classificação foram Keras, com o framework do Tensorflow, e Matplotlib, todas usando a linguagem de programação Python. A avaliação da performance preditiva do modelo utilizou o 10-fold cross validation. Na classificação entre as mudas de pau d’alho e ipê-verde, a acurácia média foi de 96,84%. Para o teste de prognóstico visual, as classes foram divididas em mudas com anomalia e mudas padrão, e a acurácia média foi de 49,18%. Assim, para diferenciar as duas espécies, o modelo pode ser incorporado em uma API ou Software para aplicação em viveiros florestais. Para utilização com fins de realização do prognóstico visual, serão necessárias adaptações.
publishDate 2021
dc.date.none.fl_str_mv 2021-03-03
2022-11-09T18:43:50Z
2022-11-09T18:43:50Z
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/11449/237405
33004064021P7
url http://hdl.handle.net/11449/237405
identifier_str_mv 33004064021P7
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.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv
_version_ 1808129393230348288