Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X
Autor(a) principal: | |
---|---|
Data de Publicação: | 2024 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01082024-100347/ |
Resumo: | O emprego da inteligência artificial na agricultura tem contribuído para o avanço do conhecimento no setor, por exemplo, o uso de Convolutional Neural Networks (CNN) para analisar imagens de raios X de grãos e pupas de insetos. Há uma crescente demanda por técnicas rápidas, que não necessitem aguardar o tempo de germinação de uma semente ou o tempo de emergência de adultos de pupas parasitadas no controle biológico de pragas; não destrutivas, sem a necessidade de alterar os aspectos físicos ou químicos dos grãos ou pupas, possibilitando inclusive a utilização da amostra pelo produtor/pesquisador; e precisas, não dependendo da visão humana para análise. Nesse contexto, a classificação de imagens de raios X por meio das CNNs, possibilita medir a quantidade de grãos infestados por pragas, assim como analisar pupas que foram parasitadas com sucesso. A avaliação da qualidade sanitária de grãos armazenados, por exemplo, tem grande importância econômica. Em muitos países, há uma tendência de tolerância zero para insetos de grãos armazenados. No entanto, a detecção precoce da praga Sitophilus zeamais, é difícil de ser realizada na prática, pois o desenvolvimento de ovos e larvas ocorre dentro dos grãos, sendo imperceptível ao olho humano. Desta forma, o desenvolvimento de um método sistemático e não destrutivo para analisar a qualidade desses grãos torna-se indispensável. Assim, três CNNs foram aplicadas na classificação de imagens de raios X para o reconhecimento de grãos infestados. Além desse estudo, a metodologia também foi aplicada na identificação de pupas parasitadas para o controle biológico de larvas da mosca-das-frutas, que causam a perda pré-matura de frutas. A produção em larga escala de pupas parasitas demanda métodos mais rápidos para avaliação da quantidade e qualidade de pupas parasitadas, otimizando por exemplo, atividades de liberação desses insetos nas lavouras. Entretanto, ao empregar métodos convencionais, é possível medir a taxa de pupas adultas aproximadamente 16 dias após a emergência. Esse tempo de espera pode resultar em desperdício de recursos. Uma maneira de acelerar a métrica de qualidade dos lotes de pupas e aumentar a precisão do processo de produção, seria combinar radiografia digital e métodos de aprendizado profundo para a classificação das pupas parasitadas. Foram avaliadas sete CNNs, e os modelos Inception-ResNet-v2, VGG19 e Xception destacaram-se frente aos demais. Nessa tese, foi proposta uma abordagem que consistiu em combinar os modelos de CNNs e avaliar a estratégia definida como MIN-i, que aciona um oráculo sempre que necessário. |
id |
USP_f3eaf4c5f188ee00b688c165bfd2620a |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-01082024-100347 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios XEvaluation of Neural Networks and Proposal of a Committee Architecture for Identification of Pupae and Pests in Seeds using X-ray ImagesAgricultura digitalAprendizado profundoBiological controlCNN CommitteeComitê de CNNsControle biológicoDeep learningDigital agricultureGrain qualityQualidade de grãosRaios XX-ray imagesO emprego da inteligência artificial na agricultura tem contribuído para o avanço do conhecimento no setor, por exemplo, o uso de Convolutional Neural Networks (CNN) para analisar imagens de raios X de grãos e pupas de insetos. Há uma crescente demanda por técnicas rápidas, que não necessitem aguardar o tempo de germinação de uma semente ou o tempo de emergência de adultos de pupas parasitadas no controle biológico de pragas; não destrutivas, sem a necessidade de alterar os aspectos físicos ou químicos dos grãos ou pupas, possibilitando inclusive a utilização da amostra pelo produtor/pesquisador; e precisas, não dependendo da visão humana para análise. Nesse contexto, a classificação de imagens de raios X por meio das CNNs, possibilita medir a quantidade de grãos infestados por pragas, assim como analisar pupas que foram parasitadas com sucesso. A avaliação da qualidade sanitária de grãos armazenados, por exemplo, tem grande importância econômica. Em muitos países, há uma tendência de tolerância zero para insetos de grãos armazenados. No entanto, a detecção precoce da praga Sitophilus zeamais, é difícil de ser realizada na prática, pois o desenvolvimento de ovos e larvas ocorre dentro dos grãos, sendo imperceptível ao olho humano. Desta forma, o desenvolvimento de um método sistemático e não destrutivo para analisar a qualidade desses grãos torna-se indispensável. Assim, três CNNs foram aplicadas na classificação de imagens de raios X para o reconhecimento de grãos infestados. Além desse estudo, a metodologia também foi aplicada na identificação de pupas parasitadas para o controle biológico de larvas da mosca-das-frutas, que causam a perda pré-matura de frutas. A produção em larga escala de pupas parasitas demanda métodos mais rápidos para avaliação da quantidade e qualidade de pupas parasitadas, otimizando por exemplo, atividades de liberação desses insetos nas lavouras. Entretanto, ao empregar métodos convencionais, é possível medir a taxa de pupas adultas aproximadamente 16 dias após a emergência. Esse tempo de espera pode resultar em desperdício de recursos. Uma maneira de acelerar a métrica de qualidade dos lotes de pupas e aumentar a precisão do processo de produção, seria combinar radiografia digital e métodos de aprendizado profundo para a classificação das pupas parasitadas. Foram avaliadas sete CNNs, e os modelos Inception-ResNet-v2, VGG19 e Xception destacaram-se frente aos demais. Nessa tese, foi proposta uma abordagem que consistiu em combinar os modelos de CNNs e avaliar a estratégia definida como MIN-i, que aciona um oráculo sempre que necessário.The application of artificial intelligence (AI) in agriculture has significantly contributed to advancing knowledge in the sector. One notable example is the use of Convolutional Neural Networks (CNNs) to analyze X-ray images of grains, seeds, and insect pupae. With a growing demand for rapid techniques that eliminate the need to wait for seed germination or the emergence time of adult pupae; non-destructive methods that avoid damaging the study object, without altering the physical or chemical aspects of grains, seeds, or pupae, allowing for sample reuse by producers/researchers; and reliable approaches for quality assessment. In this context, the classification of X-ray images through CNNs enables the measurement of the quantity of grains infested by pests and the analysis of successfully parasitized pupae. The assessment of the quality of stored corn grains, for instance, holds significant economic importance. In many countries, there is a zero-tolerance trend for stored grain insects. However, early detection of the Sitophilus zeamais pest, known as the maize weevil, is challenging in practice due to the development of eggs and larvae inside grains, imperceptible to the human eye. Therefore, the development of a systematic and non-destructive method for analyzing the quality of these grains becomes indispensable. Three CNNs were applied in the classification of X-ray images to recognize infested grains. Additionally, the methodology was employed in identifying parasitized pupae for the biological control of fruit fly larvae, responsible for premature fruit loss. The large-scale production of parasitic pupae necessitates ways to measure and assess the quantity of parasitized pupae, optimizing activities such as insect release in crops. However, conventional methods only allow measuring the rate of adult pupae emergence approximately 16 days later. This waiting time can lead to resource wastage. To accelerate this pupa quality metric and enhance the precision of the production process, a combination of digital radiography and deep learning methods for pupa classification was proposed in this thesis. Seven CNNs were evaluated, with Inception-ResNet-v2, VGG19, and Xception models standing out. The thesis proposed an approach involving the combination of CNN models, assessing the strategy defined as MIN-i, which triggers an oracle whenever necessary.Biblioteca Digitais de Teses e Dissertações da USPMastrangelo, Clíssia BarbozaToledo, Cláudio Fabiano MottaSilva, Alysson Alexander Naves2024-05-29info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/55/55134/tde-01082024-100347/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesspor2024-08-01T13:11:02Zoai:teses.usp.br:tde-01082024-100347Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212024-08-01T13:11:02Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X Evaluation of Neural Networks and Proposal of a Committee Architecture for Identification of Pupae and Pests in Seeds using X-ray Images |
title |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X |
spellingShingle |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X Silva, Alysson Alexander Naves Agricultura digital Aprendizado profundo Biological control CNN Committee Comitê de CNNs Controle biológico Deep learning Digital agriculture Grain quality Qualidade de grãos Raios X X-ray images |
title_short |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X |
title_full |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X |
title_fullStr |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X |
title_full_unstemmed |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X |
title_sort |
Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X |
author |
Silva, Alysson Alexander Naves |
author_facet |
Silva, Alysson Alexander Naves |
author_role |
author |
dc.contributor.none.fl_str_mv |
Mastrangelo, Clíssia Barboza Toledo, Cláudio Fabiano Motta |
dc.contributor.author.fl_str_mv |
Silva, Alysson Alexander Naves |
dc.subject.por.fl_str_mv |
Agricultura digital Aprendizado profundo Biological control CNN Committee Comitê de CNNs Controle biológico Deep learning Digital agriculture Grain quality Qualidade de grãos Raios X X-ray images |
topic |
Agricultura digital Aprendizado profundo Biological control CNN Committee Comitê de CNNs Controle biológico Deep learning Digital agriculture Grain quality Qualidade de grãos Raios X X-ray images |
description |
O emprego da inteligência artificial na agricultura tem contribuído para o avanço do conhecimento no setor, por exemplo, o uso de Convolutional Neural Networks (CNN) para analisar imagens de raios X de grãos e pupas de insetos. Há uma crescente demanda por técnicas rápidas, que não necessitem aguardar o tempo de germinação de uma semente ou o tempo de emergência de adultos de pupas parasitadas no controle biológico de pragas; não destrutivas, sem a necessidade de alterar os aspectos físicos ou químicos dos grãos ou pupas, possibilitando inclusive a utilização da amostra pelo produtor/pesquisador; e precisas, não dependendo da visão humana para análise. Nesse contexto, a classificação de imagens de raios X por meio das CNNs, possibilita medir a quantidade de grãos infestados por pragas, assim como analisar pupas que foram parasitadas com sucesso. A avaliação da qualidade sanitária de grãos armazenados, por exemplo, tem grande importância econômica. Em muitos países, há uma tendência de tolerância zero para insetos de grãos armazenados. No entanto, a detecção precoce da praga Sitophilus zeamais, é difícil de ser realizada na prática, pois o desenvolvimento de ovos e larvas ocorre dentro dos grãos, sendo imperceptível ao olho humano. Desta forma, o desenvolvimento de um método sistemático e não destrutivo para analisar a qualidade desses grãos torna-se indispensável. Assim, três CNNs foram aplicadas na classificação de imagens de raios X para o reconhecimento de grãos infestados. Além desse estudo, a metodologia também foi aplicada na identificação de pupas parasitadas para o controle biológico de larvas da mosca-das-frutas, que causam a perda pré-matura de frutas. A produção em larga escala de pupas parasitas demanda métodos mais rápidos para avaliação da quantidade e qualidade de pupas parasitadas, otimizando por exemplo, atividades de liberação desses insetos nas lavouras. Entretanto, ao empregar métodos convencionais, é possível medir a taxa de pupas adultas aproximadamente 16 dias após a emergência. Esse tempo de espera pode resultar em desperdício de recursos. Uma maneira de acelerar a métrica de qualidade dos lotes de pupas e aumentar a precisão do processo de produção, seria combinar radiografia digital e métodos de aprendizado profundo para a classificação das pupas parasitadas. Foram avaliadas sete CNNs, e os modelos Inception-ResNet-v2, VGG19 e Xception destacaram-se frente aos demais. Nessa tese, foi proposta uma abordagem que consistiu em combinar os modelos de CNNs e avaliar a estratégia definida como MIN-i, que aciona um oráculo sempre que necessário. |
publishDate |
2024 |
dc.date.none.fl_str_mv |
2024-05-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01082024-100347/ |
url |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01082024-100347/ |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1815256584642625536 |