Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Borges, Díbio Leandro | - |
dc.contributor.author | Pires, Guilherme Rodrigues Lodron | - |
dc.identifier.citation | PIRES, Guilherme Rodrigues Lodron. Segmentação de instâncias com aplicações em agricultura de café. 2022. 53 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia da Computação) — Universidade de Brasília, Brasília, 2022. | pt_BR |
dc.description | Trabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2022. | pt_BR |
dc.description.abstract | No Brasil, a agricultura tem papel muito importante na economia e no dia a dia
das pessoas. A detecção e prevenção de pestes e doenças de forma automatizada pode aumentar a eficiência e a qualidade dos produtos produzidos no país
e no mundo. Para tal, são necessários esforços conjuntos de especialistas e desenvolvedores de software. Atualmente, a área que se destaca no estudo desses
métodos é a de aprendizado profundo, por esse motivo este trabalho busca analisar
o modelo Yolact++ em diferentes bases de dados e discutir sobre seu potencial e
suas limitações. O estudo foi feito sobre três bases de dados: RoCoLe, Bracol e
Bracot, que são compostas por imagens de folhas de plantas de café afetadas por
doenças comuns a esse tipo de plantação. Por fim, também é proposto um pipeline
que consiste na junção do treinamento nas bases Bracol e Bracot para identificar
doenças em um contexto mais próximo ao real. O trabalho foi realizado em cima da
tarefa de segmentação de instâncias e a métrica utilizada para avaliar cada etapa
de treinamento foi a de mean average precision (mAP). Diante disso os resultados
provenientes do treinamento do modelo Yolact++ foram satistatórios, sendo que
para a base RoCoLe foi obtido um mAP de 44.76 para segmentação e 43.12 para
bounding box, para a base Bracot o mAP obtido para segmentação foi de 54.0 e
para bounding box foi de 62.2 e para a base Bracol os resultados foram de 49.7 e
50.5 para segmentação e bounding box respectivamente. Todos os resultados obtidos foram comparados ao artigo base utilizado para referência escrito por Tassis,
Tozzi e Krohling e ponderações sobre possíveis melhorias foram realizadas para
cada base de dados. O pipeline proposto também gerou bons resultados qualitativos, mas devido a limitação ao acesso à engenheiros agrônomos e profissionais
especializados na agricultura de café, não foi possível avaliar métricas precisas do
último passo. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Aprendizado de máquina | pt_BR |
dc.subject.keyword | Aprendizado do computador | pt_BR |
dc.subject.keyword | Processamento de imagens - técnicas digitais | pt_BR |
dc.subject.keyword | Pragas agrícolas | pt_BR |
dc.title | Segmentação de instâncias com aplicações em agricultura de café | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2023-03-29T13:51:01Z | - |
dc.date.available | 2023-03-29T13:51:01Z | - |
dc.date.submitted | 2022-09-21 | - |
dc.identifier.uri | https://bdm.unb.br/handle/10483/34372 | - |
dc.language.iso | Português | pt_BR |
dc.rights.license | A 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.abstract1 | In Brazil, agriculture plays a very important role in the economy and in people’s
daily lives. The detection and prevention of pests and diseases in an automated
way can increase the efficiency and quality of products produced in the country
and in the world. For this, joint efforts of specialists and software developers are
needed. Currently, the area that stands out in the study of these methods is deep
learning, for this reason this work seeks to analyze the Yolact++ model in differ ent databases and discuss its potential and limitations. The study was carried out
on three databases: RoCoLe, Bracol and Bracot, which are composed of images
of leaves of coffee plants affected by diseases common to this type of plantation.
Finally, a pipeline is also proposed, which consists of the combination of train ing in the Bracol and Bracot bases to identify diseases in a context closer to the
real one. The work was carried out on top of the instance segmentation task and
the metric used to evaluate each training step was mean average precision (mAP).
Therefore, the results from the training of the Yolact++ model were satisfactory,
and for the RoCoLe base a mAP of 44.76 was obtained for segmentation and 43.12
for bounding box, for the Bracot base the mAP obtained for segmentation was 54.0
and for bounding box it was 62.2 and for the Bracol base the results were 49.7
and 50.5 for segmentation and bounding box respectively. All the results obtained
were compared to the base article used for reference written by Tassis, Tozzi and
Krohling and considerations about possible improvements were carried out for each
database. The proposed pipeline also generated good qualitative results, but due to
limited access to agronomists and professionals specialized in coffee agriculture, it
was not possible to evaluate precise metrics for the last step | pt_BR |
Aparece na Coleção: | Engenharia da Computação
|