• 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
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.74.2022.tde-03082022-154948
Documento
Autor
Nombre completo
Caio Augusto Bertolini
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
Pirassununga, 2022
Director
Tribunal
Pereira, Lilian Elgalise Techio (Presidente)
Barbedo, Jayme Garcia Arnal
Santos, Manoel Eduardo Rozalino
Título en portugués
Desenvolvimento de software para extração de índices de vegetação e implementação de classificador de status nutricional em nitrogênio em pastos de Urochloa decumbens 'Basilisk' (Syn. Brachiaria decumbens 'Basilisk')
Palabras clave en portugués
Machine learning
Análise de imagens
Índice de cores RGB
RGB
Visão computacional
Resumen en portugués
O sensoriamento remoto trouxe ferramentas importantes para o desenvolvimento de agricultura e pecuária mais eficientes no uso de insumos e menos prejudiciais ao meio ambiente. A utilização de índices de vegetação (IV) para determinação de classe nutricional têm crescido bastante e auxiliado no monitoramento das culturas. O nitrogênio (N) é um nutriente de grande relevância para desenvolvimento vegetativo em pastagem e a aplicação da quantidade correta traz melhorias na produtividade do pasto. Então, a utilização de IV's apoiados por técnicas de classificação de aprendizado de máquina para determinar a quantidade de nitrogênio contida na gramínea forrageira, pode ser uma ferramenta útil para que possa determinar a quantidade de N que precisa ser aplicado, assim ajudando o produtor na tomada de decisão ágil. Dessa forma, os objetivos deste trabalho foram desenvolver um software de processamento de imagens para extração de índices de vegetação baseados no modelo RGB e implementar um algoritmo de aprendizado de máquina para determinar o faixa de nitrogênio (deficiente, moderadamente deficiente ou suficiente), a partir de imagens RGB adquiridas por smartphones em capim braquiária. O trabalho foi desenvolvido no Campus Fernando Costa (FZEA/USP) e foi dividido em três etapas. A primeira etapa consistiu no desenvolvimento de um software, em Python, para extração automática de 26 índices de vegetação de imagens RGB de folhas. Na segunda parte foi realizado a experimentação em campo, em uma área 480 m² com 12 parcelas, de Urochloa decumbens 'Basilisk', divididos em três tratamentos de adubação nitrogenada (T0: sem adubação, T15: 15 kg de N/ha, T30: 30 kg de N/ha) em dois períodos (2019/2020 e 2020/2021). Foram coletados dados de composição morfológica e captados 2160 imagens RGB de folha, para avaliação do desenvolvimento vegetativo da planta e, também, da resposta das cores na faixa do RGB em três classes de nitrogênio. Na última etapa foi realizado a extração dos IV's e aplicação de quatro algoritmo de aprendizado de máquina (K-vizinhos mais próximos, máquina de vetores de suporte, floresta randômicas e rede neural artificial) para realizar a classificação das 3 classes de nitrogênio, nos dados sem e com balanceamento (All-KNN), para avaliar qual é o melhor método de classificação. O software para extração de IV's (ExtractVI) conseguiu realizar a identificação correta das folhas de gramínea, delimitando o local do objeto na imagem e realizando o recorte automático. A decumbens apresentou resposta com aplicação de adubação nitrogenada, diminuindo a duração de rebrotação e aumentando a produção de massa de folhas e o índice de área foliar. A resposta cores da planta no RGB teve maior diferença visual entre as classes deficiente e suficiente, no entanto a classe moderadamente deficiente apresentou semelhança na cor com as outras classes. Entretanto, o manejo da pastagem e a pluviosidade demonstraram efeito sobre as características morfológicas e resposta das cores da planta. A determinação das classes de nitrogênio teve uma eficiência de 74% utilizando a multilayer perceptron com 26-10-1 neurônios, método de treinamento quasi-Newton e função de ativação Tansig, podendo ser melhorado com o balanceamento dos dados, atingindo valores de eficácia de 86% com o classificador floresta randômica com 150 árvores de decisão.
Título en inglés
Software development for vegetation indices extraction and implementation of a nitrogen nutritional status classifier in Urochloa decumbens 'Basilisk' (Syn. Brachiaria decumbens 'Basilisk') pastures
Palabras clave en inglés
Computer vision
Image analysis
Machine learning
RGB
RGB color index
Resumen en inglés
Remote sensing has brought important tools for the development of agriculture and livestock that are more efficient in the use of inputs and less harmful to the environment. The use of vegetation indices (VI) to determine nutritional status has grown a lot and helped in crop monitoring. Nitrogen (N) is a nutrient of great importance for vegetative development in pastures and the application of the correct amount improves pasture productivity. So, the use of IV's supported by machine learning classification techniques to determine the amount of nitrogen contained in forage grass, can be a useful tool to determine the amount of N that needs to be applied, thus helping the producer to make quick decision. Thus, the objectives of this paper were to develop an image processing software to extract vegetation indices based on the RGB model and implement a machine learning algorithm to determine the nitrogen status (deficient, moderately deficient or sufficient), from RGB images acquired by smartphones in Brachiaria grass. The paper was developed at the Fernando Costa Campus (FZEA/USP) and was divided into three stages. The first step consisted in the development of a software, in Python, for the automatic extraction of 26 vegetation indices from leaf-RGB images. In the second part, field trials were carried out, in an area of 480 m² with 12 plots, of Urochloa decumbens 'Basilisk', divided into three nitrogen fertilization treatments (T0: no fertilization, T15: 15 kg N/ha, T30: 30 kg of N/ha) in two periods (2019/2020 and 2020/2021). Morphological composition data were collected and 2160 leaf -RGB images were captured, to evaluate the vegetative development of the plant and, also, the color response in the RGB range in three nitrogen classes. In the last step, IV's extraction was performed and applied in four machine leaning algorithms (k-nearest neighbors, support vector machine, random forest and artificial neural network) to perform the classification of the 3 nitrogen status, in the data without and with balance (All- KNN), to evaluate which is the best classification method. The software for IV's extraction (ExtractVI) was able to correctly identify the grass leaves, delimiting the location of the object in the image and performing the automatic clipping. Decumbens showed a response with nitrogen fertilization, decreasing regrowth duration and increasing leaf mass production and leaf area index. The color response of the plant in RGB had a greater visual difference between the deficient and sufficient classes, however the moderately deficient class showed similarity in color with the other classes. However, pasture management and rainfall showed an effect on the morphological characteristics and color response of the plant. The determination of nitrogen status had an efficiency of 74% using the multilayer perceptron with 26-10-1 neurons, quasi-Newton training method and Tansig activation function, which could be improved with data balancing, reaching efficacy values of 86% with the random forest classifier with 150 decision trees.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
ME9019960COR.pdf (3.37 Mbytes)
Fecha de Publicación
2022-08-19
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2024. Todos los derechos reservados.