Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/31263
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2021_VascoRodriguesMonteiroNeto_tcc.pdf19,86 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorLamar, Marcus Vinicius-
dc.contributor.authorMonteiro Neto, Vasco Rodrigues-
dc.identifier.citationMONTEIRO NETO, Vasco Rodrigues. Identificação de moscas da espécie Bemisia tabaci em armadilhas adesivas amarelas usando aprendizado de máquina. 2021. xiii, 64 f., il. Trabalho de conclusão de curso (Licenciatura em Computação) — Universidade de Brasília, Brasília, 2021.pt_BR
dc.descriptionTrabalho de conclusão de curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2021.pt_BR
dc.description.abstractA Bemisia tabaci, popularmente conhecida como mosca branca, é considerada hoje a maior praga agrícola do mundo, tanto pelo seu potencial em servir como vetor de diversas fitopatologias quanto por sua distribuição cosmopolita. O objetivo do presente trabalho é usar a visão computacional para propor e comparar o desempenho de classificadores, utilizando aprendizado de máquina, no processo de identificação e contagem da mosca branca em imagens de armadilhas adesivas amarelas tradicionais. O objetivo é otimizar o tempo levado em tal processo, que quando feito de forma manual ainda que por um especialista, pode vir a demandar muito tempo. Um modelo de baixo custo computacional como o K-Nearest Neighbors, apresentou uma acurácia superior a 94% na classificação dos insetos, enquanto no melhor resultado, utilizando um modelo de Rede Neural Convolucional, mais complexo, a acurácia foi de aproximadamente 95,55%. Dessa forma, alguns dos modelos aqui propostos se mostraram eficientes para solucionar o problema da contagem de moscas brancas em armadilhas adesivas, podendo ser incrementado futuramente usando classificadores mais complexos.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordMosca-brancapt_BR
dc.titleIdentificação de moscas da espécie Bemisia tabaci em armadilhas adesivas amarelas usando aprendizado de máquinapt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Licenciaturapt_BR
dc.date.accessioned2022-06-28T22:45:45Z-
dc.date.available2022-06-28T22:45:45Z-
dc.date.submitted2021-05-25-
dc.identifier.urihttps://bdm.unb.br/handle/10483/31263-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.description.abstract1Bemisia tabaci, popularly known as the whitefly, is today considered the biggest agricul tural pest in the world, both for its potential to serve as a vector for various phytopatholo gies and also for its cosmopolitan distribution. The objective of the present work is to use computer vision techniques to propose and compare the performance of classifying mod els, using machine learning and neural networks, in the process of counting and recognize whiteflies in images of traditional yellow sticky traps, in order to optimize the time taken in such a process, that when done manually even by a specialist, it can be very time con suming. A low cost computational model such as KNN showed an accuracy greater than 94% in the classification of these insects, while in the best result, using a more complex CNN model, the accuracy was approximately 95.55%. Some of our proposed models have shown to be efficient in solving the problem of counting whiteflies in sticky traps, however can be increased in the future using more complex classifier models.pt_BR
Aparece na Coleção:Computação



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.