• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Tese de Doutorado
DOI
https://doi.org/10.11606/T.11.2021.tde-26052021-144804
Documento
Autor
Nome completo
Leonardo Leite de Melo
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
Piracicaba, 2021
Orientador
Banca examinadora
Marques, Patricia Angélica Alves (Presidente)
Barros, Timóteo Herculino da Silva
Frizzone, Jose Antonio
Romero, Roseli Aparecida Francelin
Título em português
Deep learning para identificação de déficit hídrico em plantas com base em imagens térmicas
Palavras-chave em português
Imagem termal
Manejo de irrigação
Redes Neurais
Transfer learning
Resumo em português
O uso racional de recursos na agricultura ganhou importância nos últimos anos devido à necessidade de assegurar a sustentabilidade da produção agrícola, de forma a evitar consequências ambientais e até mesmo a iminência de escassez de recursos, como é o caso da água. Pela complexidade de estimar a resposta da planta à disponibilidade hídrica, uma técnica que vem obtendo grande importância é a utilização de imagens térmicas. Porém, o diagnóstico por imagens não é intuitivo e demanda do avaliador conhecimentos físico-químicos do solo e da planta, além de tempo e experiência. Devido a tal limitação, buscaram-se métodos computacionais que possam ser utilizados para realizar essa tarefa, estimando o estado hídrico de plantas a partir de imagens térmicas, suprindo a necessidade de um especialista. Para isso, duas técnicas de eficácia comprovada foram utilizadas: a rede Inception-Resnet-v2 e a técnica transfer learning. Experimentos foram realizados e os resultados obtidos mostram que o sistema de classificação do estresse hídrico na planta desenvolvido, com avaliação a partir da imagem térmica de modo não destrutivo, alcançou um desempenho superior em comparação à avaliação feita por especialista. Além disso, o desempenho foi superior na acurácia global, bem como em sua capacidade de distinguir entre as classes, demonstrando ser uma ferramenta eficaz para a realização de tal tarefa, demandando menor tempo.
Título em inglês
Deep Learning for identification of water deficit in plants based on thermal images
Palavras-chave em inglês
Irrigation management
Neural network
Thermal image
Transfer learning
Resumo em inglês
Rationing of resources in agriculture has gained focus in recent years, owing to the need to ensure the sustainability of agricultural production, to avoid unfavorable environmental consequences with the imminent scarcity of resources such as water. The use of thermal images to evaluate water availability of plants has been gaining attention recently owing to the complexity of estimating a plant's response to water availability. However, diagnostic imaging is not intuitive and requires evaluator knowledge of the physicochemical properties of the soil and the plant species, in addition to time and experience. To circumvent this limitation, computational methods can be used to perform this task without the requirement of a specialist. The objective of this study was to develop a method to estimate the water availability of sugarcane plants using thermal images, without the need of a specialist. For this, two neural network methods with proven effectiveness were implemented: Inception-Resnet-v2 network and transfer learning technique. Experiments were conducted and the results showed that the developed system achieved superior performance compared to the assessments made by a specialist and aided in classifying the water stress of plant's thermal images in a nondestructive manner. In addition to this overall superior performance in accuracy, the neural network demonstrated a greater ability to distinguish between the classes of thermal stress. Thus, the system developed in this study is a less time-consuming, affordable, and effective tool for estimating the water availability.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2021-05-27
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.