Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11624/3995| Autor(es): | Wessner, Rodrigo Nunes |
| Título: | Classificação de milho e ervas daninhas com redes neurais convolucionais e imagens multiespectrais. |
| Data do documento: | 2025 |
| Resumo: | Este trabalho aborda os desafios enfrentados para o controle de plantas daninhas em áreas de produção agrícola. Com o aumento global do consumo de alimentos e, consequentemente, com a necessidade do aumento da eficiência produtiva, a utilização de herbicidas foi essencial e determinante para atingir o volume produtivo dos dias de hoje. No entanto, o uso massivo de químicos no controle de plantas daninhas pode gerar problemas para o meio ambiente e para a saúde humana. O objetivo é desenvolver uma solução que utiliza imagens adquiridas por câmera multiespectral, baseada em redes neurais convolucionais, para a identificação de ervas daninhas em plantação de milho. Neste sentido, esta pesquisa apresenta levantamentos bibliográficos, análises e desenvolvimentos implementados para realizar o controle efetivo dessa classe de plantas. Inicialmente, foi feita uma busca por artigos em bases de dados científicas, a fim de identificar o quanto as áreas de tecnologia da informação e de agricultura de precisão são temas de estudo em conjunto, e uma busca por artigos no tema mais específico da pesquisa com redes neurais e processamento de imagens. Na sequência, uma base de dados foi construída, composta por imagens adquiridas em lavouras de milho da região do interior do Vale do Rio Pardo, Rio Grande do Sul, Brasil. As imagens foram adquiridas com o uso de uma câmera multiespectral (Vermelho, Verde e Infravermelho próximo) acoplada a um trator. Para a classificação, foram utilizadas as arquiteturas de redes neurais convolucionais MobileNetV2, InceptionV3 e ResNet152V2. Duas abordagens diferentes, sobre a base de dados, foram utilizadas para o treinamento de cada arquitetura, com as imagens tratadas na base de dados, com as imagens equalizadas por histograma. A arquitetura InceptionV3 com imagens equalizadas por histograma obteve o melhor resultado entre as arquiteturas definidas, com acurácia de 97,5% e f1-score médio de 97%. A arquitetura MobileNetV2 obteve melhor resultado com imagens sem a equalização por histograma, com acurácia de 95,18% e f1-score médio de 95%. Já a arquitetura ResNet152V2 obteve resultados semelhantes com ambos os tipos de imagens. Nesta última arquitetura, sem a equalização por histograma, a acurácia foi de 94,06% e f1-score médio de 93%, enquanto, com a equalização por histograma, obteve acurácia de 94.03% e f1-score médio de 94%. Quando avaliada a possibilidade de um controle eficaz das plantas daninhas na lavoura por meio de pulverização seletiva, o modelo com melhor resultado na identificação de erva daninha em imagens é o InceptionV3 com 98% de f1-score médio. Em comparação com trabalhos relacionados, a utilização das imagens multiespectrais com as redes neurais convolucionais, abordados nesta pesquisa, apresentou resultados equivalentes ou superiores aos demais. |
| Nota: | Inclui bibliografia. |
| Instituição: | Universidade de Santa Cruz do Sul |
| Curso/Programa: | Programa de Pós-graduação em Sistemas e Processos Industriais |
| Tipo de obra: | Dissertação de Mestrado |
| Assunto: | Redes neurais (Neurobiologia) Ervas daninhas - Controle Agricultura de precisão Processamento de imagens |
| Orientador(es): | Frozza, Rejane |
| Coorientador(es): | Molz, Rolf Fredi |
| Aparece nas coleções: | Programa de Pós-Graduação em Sistemas e Processos Industriais – Mestrado |
Arquivos associados a este item:
| Arquivo | Tamanho | Formato | |
|---|---|---|---|
| Rodrigo Nunes Wessner.pdf | 237.53 kB | Adobe PDF | Visualizar/Abrir Solicitar uma cópia |
Este item está licenciado sob uma Licença Creative Commons
