skip to main content
Visitante
Meu Espaço
Minha Conta
Sair
Identificação
This feature requires javascript
Tags
Revistas Eletrônicas (eJournals)
Livros Eletrônicos (eBooks)
Bases de Dados
Bibliotecas USP
Ajuda
Ajuda
Idioma:
Inglês
Espanhol
Português
This feature required javascript
This feature requires javascript
Primo Search
Busca Geral
Busca Geral
Acervo Físico
Acervo Físico
Produção Intelectual da USP
Produção USP
Search For:
Clear Search Box
Search in:
Acervo Físico
Or hit Enter to replace search target
Or select another collection:
Search in:
Acervo Físico
Busca Avançada
Busca por Índices
This feature requires javascript
This feature requires javascript
Diagnóstico precoce de ataque de pragas em plantas usando imagens de fluorescência
Silva Junior, Luiz Gonzaga Da
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação 2024-02-23
Acesso online
Exibir Online
Detalhes
Resenhas & Tags
Mais Opções
This feature requires javascript
Enviar para
Adicionar ao Meu Espaço
Remover do Meu Espaço
E-mail (máximo 30 registros por vez)
Imprimir
Link permanente
Referência
EasyBib
EndNote
RefWorks
del.icio.us
Exportar RIS
Exportar BibTeX
This feature requires javascript
Título:
Diagnóstico precoce de ataque de pragas em plantas usando imagens de fluorescência
Autor:
Silva Junior, Luiz Gonzaga Da
Orientador:
Boas, Paulino Ribeiro Villas
Assuntos:
Aprendizado De Máquina
;
Aumento De Dados
;
Infestação
;
Espectroscopia De Fluorescência
;
Identificação Precoce
;
Infestation
;
Fluorescence Spectroscopy
;
Early Detection
;
Data Augmentation
;
Machine Learning
Notas:
Dissertação (Mestrado)
Descrição:
Um dos maiores desafios na agropecuária em grande escala é o controle e monitoramento de doenças e pragas que acometem as plantações. Sem o controle adequado, podem comprometer a produtividade gerando grandes prejuízos. O monitoramento normalmente é feito de forma visual, um processo ineficiente e propenso a falhas. Para contornar o problema da baixa eficiência no monitoriamento e evitar a disseminação descontrolado de doenças, o produtores costumam realizar aplicações regulares de defensivos químicos. No entanto, quando a inspeção visual detecta uma infestação, os danos causados à plantação frequentemente são elevados, deixando os produtores com opções limitadas de manobra. Além disso, a aplicação regular de defensivos pode acarretar em outros problemas, tais como o desenvolvimento de resistência em pragas e doenças, impactos na saúde humana e contaminação ambiental. Este trabalho tem como objetivo desenvolver modelos de aprendizado de máquina para classificação precoce de pragas no milho usando dados de imagens de fluorescência da clorofila. Para atingir esse objectivo, utilizamos técnicas de data augmentation para expandir o conjunto de dados inicial. Essa abordagem permitiu uma representação mais abrangente dos atributos, aumentando a capacidade de generalização dos modelos. Plantas de milho das variedade Zapalotes chico (LE) e Sintético Spodoptera (SE) foram cultivadas em vasos e preservadas em casa de cultivo até o momento da infestação com as pragas e coleta dos dados. As imagens de fluorecência foram obtidas através do equipamento Closed FluorCam FC800-C e processadas pelo programa FlourCam7 para extração dos atributos. Foram avaliadas dois tipos de infestação, ataque inicial de Spodoptera frugiperda (lagarta) e Dichelops melacanthus (percevejo). Para identificar qual viés de representação mais adequado para o conjunto de dados, exploramos quatro métodos de classificação: baseados em distâncias, como o KNN; métodos simbólicos, exemplificados pela Árvore de Decisão; métodos conexionistas, como Redes Neurais; e métodos de maximização de margens, como o SVM. As redes neurais e o Adaboost demonstraram os melhores desempenhos na classificação, alcançando uma acurácia de 83% na detecção de percevejos e 75% na detecção de lagartas, respectivamente. Este estudo evidenciou o potencial transformador ao integrar dados reais e sintéticos no treinamento de modelos de aprendizado de máquina, resultando em melhorias significativas na identificação precoce de pragas no cultivo de milho.
DOI:
10.11606/D.55.2024.tde-30042024-095958
Editor:
Biblioteca Digital de Teses e Dissertações da USP; Universidade de São Paulo; Instituto de Ciências Matemáticas e de Computação
Data de criação/publicação:
2024-02-23
Formato:
Adobe PDF
Idioma:
Português
Links
Este item no Dedalus
Teses e Dissertações USP
Acesso ao doi
E-mail do autor
E-mail do orientador
This feature requires javascript
This feature requires javascript
Voltar para lista de resultados
Anterior
Resultado
10
Avançar
This feature requires javascript
This feature requires javascript
Buscando em bases de dados remotas. Favor aguardar.
Buscando por
em
scope:(USP_FISICO)
Mostrar o que foi encontrado até o momento
This feature requires javascript
This feature requires javascript