Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/34372
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2022_GuilhermeRodriguesLodronPires_tcc.pdfTrabalho de Conclusão de Curso52,57 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorBorges, Díbio Leandro-
dc.contributor.authorPires, Guilherme Rodrigues Lodron-
dc.identifier.citationPIRES, 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.descriptionTrabalho de Conclusão de Curso (graduação) — Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2022.pt_BR
dc.description.abstractNo 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.rightsAcesso Abertopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordAprendizado do computadorpt_BR
dc.subject.keywordProcessamento de imagens - técnicas digitaispt_BR
dc.subject.keywordPragas agrícolaspt_BR
dc.titleSegmentação de instâncias com aplicações em agricultura de cafépt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2023-03-29T13:51:01Z-
dc.date.available2023-03-29T13:51:01Z-
dc.date.submitted2022-09-21-
dc.identifier.urihttps://bdm.unb.br/handle/10483/34372-
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.abstract1In 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 steppt_BR
Aparece na Coleção:Engenharia da Computação



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