Utilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse.

Vista sencilla de ítem
dc.contributorJOÃO VICTOR SILVA VIANA, Universidade de São Paulo
dc.contributorLETICIA PIAZENTIN DANTAS, Universidade Federal de São Carlos
dc.contributorOTÁVIO RODRIGUES DE PAULA, Universidade Federal de São Carlos
dc.contributorBIANCA BATISTA BARRETO
dc.contributorDEBORA MARCONDES BASTOS PEREIRA, CNPDIA.
dc.creatorVIANA, J. V. S.
dc.creatorDANTAS, L. P.
dc.creatorPAULA, O. R. de
dc.creatorBARRETO, B. B.
dc.creatorMILORI, D. M. B. P.
dc.date2023-12-07T14:32:15Z
dc.date2023-12-07T14:32:15Z
dc.date2023-12-07
dc.date2023
dc.date.accessioned2026-07-07T04:29:11Z
dc.descriptionA integração de tecnologias na agricultura tem se tornado cada vez mais comum, trazendo consigo uma série de benefícios, desde o aumento da produtividade até contribuições para a sustentabilidade. Uma das tecnologias promissoras que pode ter um papel importante nesse cenário é o aprendizado de máquina (machine learning), especialmente no que diz respeito à avaliação da saúde das plantas. Neste contexto, o objetivo do trabalho foi classificar plantas saudáveis e inoculadas com patógeno utilizando quatro diferentes técnicas de machine learning: Análise Discriminante, Regressão Logística, AdaBoost, um algoritmo de boosting, que combina múltiplos classificadores fracos para formar um classificador mais preciso, e SVM (Support Vector Machine), que é um algoritmo que separa os dados usando um hiperplano. Para esse propósito, foram utilizados dados coletados de três técnicas distintas: Fluorcam, Espectroscopia induzida por laser (LIFS) e Câmera Térmica. No âmbito computacional, diferentes modelos foram treinados e testados para cada equipamento. Os resultados revelaram que a melhor taxa de acerto foi obtida com os dados de imagem de fluorescência fornecidos pelo equipamento Fluorcam, alcançando uma taxa de acerto de 75% utilizando o modelo SVM. Para o LIFS, a taxa de acerto foi maior, atingindo 80% também utilizando o modelo SVM. Já para os dados de termografia a taxa de acerto foi de 90% utilizando o AdaBoost. Esses resultados evidenciam a relevância e o potencial do uso do machine learning na classificação de plantas inoculadas, especialmente quando combinado com tecnologias específicas. A partir desses resultados, conclui-se que o desenvolvimento de soluções usando machine learning pode contribuir significativamente para o monitoramento e aprimoramento da detecção do ataque de patógenos na planta, impulsionando assim a eficiência e a sustentabilidade da agricultura.
dc.format34 p.
dc.identifierIn: JORNADA CIENTÍFICA - EMBRAPA SÃO CARLOS, 15., 2023, São Carlos, SP. Anais... São Carlos: Embrapa Pecuária Sudeste: Embrapa Instrumentação, 2023. Coordenadores:Cintia Righetti Marcondes; Daniel Souza Corrêa
dc.identifierhttp://www.alice.cnptia.embrapa.br/alice/handle/doc/1159277
dc.identifier.urihttp://hdl.handle.net/123456789/462944
dc.languagepor
dc.rightsopenAccess
dc.subjectMachine learning
dc.subjectClassificação
dc.subjectDetecção de doenças
dc.titleUtilização de machine learning para classificação de plantas saudáveis e plantas submetidas ao estresse.
dc.typeResumo em anais e proceedings

Archivos

Colecciones

Embrapa Instrumentación (CNPDIA)