Avaliação de Redes Neurais e Proposta de uma Arquitetura de Comitê para Identificação de Pupas e Pragas em Sementes usando Imagens de Raios X

Detalhes bibliográficos
Autor(a) principal: Silva, Alysson Alexander Naves
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