Análise da Morfometria dos Agregados do Solo Utilizando Imagens Digitais por Meio de Redes Neurais

• Autor(a) principal: Rosas, Claudia Liliana Gutierrez
• Data de Publicação: 2021
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: http://hdl.handle.net/11449/204722
• topic: Redes neurais artificiais; Morfometria; Redes neuronais (Computação); Solos Agregação; Artificial neural networks; Soil-binding; Morphometry

A estrutura do solo consiste em uma das propriedades físicas mais sensíveis ao manejo e pode ser afetada pelo uso intenso de máquinas e aplicação regular de insumos. A perda estrutural do solo pode ser avaliada por diferentes metodologias, no entanto a análise de agregados e suas diferentes formas mostram-se de fácil interpretação e expedita, mas, a avaliação estrutural por meio dos agregados ainda requer desenvolvimento de pesquisas. Dentro dos conceitos de agricultura de precisão buscou-se nessa proposta o desenvolvimento e avaliação de um modelo de rede neural artificial capaz de detectar e classificar diferentes formas de agregados do solo. A metodologia desenvolvida utilizou-se da linguagem de programação "Python3" com a biblioteca "Keras" e "TensorFlow", utilizando uma Rede Neural Convolucional, com aplicação de transferência de aprendizagem da arquitetura MobileNetV2 em três experimentos, Experimento 1 com 5 classes morfométricas (prismática, angular, subangular, arredondada e redonda), Experimento 2 com 4 classes (prismática, angular, subangular e redondado) e Experimento 3 com 3 classes (prismática, angular, redondado). Durante o desenvolvimento da rede e tratamento da data_set, foram utilizados os métodos de data_augmentation, Under sampling e data cleaning. Treinando assim uma da rede neural capaz de identificar as diferenças e similaridades das classes morfométricas dos agregados por meio de imagens, visando aplicações em sistemas de precisão e inteligentes para a manutenção estrutural dos solos. Os resultados do treinamento da MobileNetV2 dos três experimentos mostraram uma accuracy média de 79%, sendo o Experimento 3 com melhor desempenho com uma accuracy de 87%. Para os três experimentos, as classes morfométricas de maior precisão foram as arredondadas, redondo e o angular, enquanto, para as classes prismática e subangular a rede apresentou capacidade de detecção e classificação errática. Conclui-se, que a preparação da data_set é uma fase muito importante, pode influenciar e fazer diferença no desempenho da rede, possuir um conjunto de dados robusto aos ajustes, a qualidade e quantidade de imagens por classe, o pré-processamento em geral, além do hardware, software e o nível formação na matéria da pesquisa. A concepção da aplicação de aprendizado de máquinas para a avaliação estrutural dos solos mostra-se promissora. Essa condição denota que esse trabalho não se constitui em um produto final “acabado” e pelo contrário constitui-se em um ponto de partida para pesquisas, desenvolvimento e inovação na gestão ambiental da qualidade estrutural dos solos em processos produtivos agrícolas.