Thèse de Doctorat
DOI
https://doi.org/10.11606/T.85.2020.tde-17062021-105428
Document
Auteur
Nom complet
Bruno Rover Dal Prá
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2020
Directeur
Jury
Andrade, Delvonei Alves de (Président)
Gomes Neto, José
Rocha, Marcelo da Silva
Zambenedetti, Vóldi Costa
Titre en portugais
Desenvolvimento de modelos de redes neurais convolucionais para avaliação nutricional da Brachiaria brizantha
Mots-clés en portugais
diagnose foliar
modelos pré-treinados
redes neurais profundas
transferência de aprendizado
Resumé en portugais
Uma das formas de realizar avaliação nutricional em plantas é pela análise dos sintomas apresentados visualmente em suas folhas. Esta avaliação é realizada pela técnica da diagnose foliar por pessoas especializadas sendo, em sua grande maioria de forma manual, assim, necessitando de mão de obra especializada o que acaba dificultando sua utilização, principalmente na região amazônica onde esta mão de obra ainda é escassa. O Objetivo deste estudo foi desenvolver e aplicar modelos de Redes Neurais Convolucionais (CNN), que realizam a classificação do estado nutricional da pastagem Brachiaria brizantha cv. Marandu utilizando a imagem de suas folhas. Para isso, foram implementados e avaliados seis modelos de CNNs: o baseado na AlexNet e os pré-treinados VGG-16, VGG-19, Inception-V3, ResNet-50 e MobileNetV2. Todos os modelos pré-treinados utilizaram transferência de aprendizado que permite economizar tempo e obter um melhor resultado na identificação das deficiências. Para classificá-las foi criado um conjunto de dados de imagens, tanto de folhas deficientes como saudáveis, cultivadas em casa de vegetação para que sirvam como as informações a serem aprendidas pelos modelos, durante o treinamento. Estes modelos classificam as deficiências de Potássio, Nitrogênio e Fósforo, além de identificar se a planta é saudável. Esta tecnologia pode melhorar a produção das pastagens brasileiras e, consequentemente, melhorar o índice de animais por área de pastagem, desta forma, contribuindo para uma produção mais sustentável, principalmente na região amazônica. De todos os modelos testados o que apresentou a melhor acurácia foi o VGG-16 com 96,93%, em dados de teste.
Titre en anglais
Development of models of convolutional neural networks for nutritional assessment of Brachiaria brizantha
Mots-clés en anglais
deep neural networks
leaf diagnosis
pre-trained models
transfer of learning
Resumé en anglais
One possibility to perform nutritional assessment on plants is by analyzing the symptoms visually presented on their leaves. This evaluation is carried out by the technique of leaf diagnosis by specialized people, most of which is done manually, thus requiring specialized labor, which makes it difficult to use, especially in the Amazon region where this labor is still scarce. The objective of this study was the development and apply of Convolutional Neural Networks (CNN) models, which perform the classification of the Brachiaria brizantha cv. Marandu nutritional status using the image of its leaves. Six CNN models were implemented and evaluated: one based on AlexNet and the pre-trained VGG-16, VGG-19, Inception-V3, ResNet-50 and MobileNetV2. All pre-trained models used transfer of learning that saves time and obtains a better result in the identification of deficiencies. To classify them, a set of image data was created, both for deficient and healthy leaves, grown in a greenhouse to serve as the information to be learned by the models during training. These models classify the deficiencies of Potassium, Nitrogen and Phosphorus, in addition to identifying whether the plant is healthy. This technology can improve the production of Brazilian pastures and, consequently, improve the number of animals per pasture area, thus contributing to a more sustainable production, especially in the Amazon region. Of all the models tested, the best accuracy was VGG-16 with 96.93%, in test data.
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2021-06-21
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées
cliquant ici.