Campo Dublin Core | Valor | Língua |
dc.contributor.advisor | Silva, Jones Yudi Mori Alves da | - |
dc.contributor.author | Rebeschini, João Pedro | - |
dc.contributor.author | Carvalho, Gabriel Fernandes | - |
dc.identifier.citation | REBESCHINI, João Pedro; CARVALHO, Gabriel Fernandes. Aplicabilidade de técnicas de Inteligência Artificial na análise automática de imagens agrícolas aéreas. 2023. 100 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica) — Universidade de Brasília, Brasília, 2023. | pt_BR |
dc.description | Trabalho de conclusão de curso (graduação) — Universidade de Brasília, Faculdade de Tecnologia, 2023. | pt_BR |
dc.description.abstract | Técnicas de Inteligência Artificial têm alavancado o desempenho do setor agrícola, principalmente devido à introdução de tecnologias como mapeamento via drone, detecção de pestes e no auxílio às tomadas de decisão. Nesse sentido, o presente trabalho tem como objetivo aplicar técnicas de Deep Learning em um dataset de lavouras de sorgo, tendo como meta detectar as linhas de plantio, calcular o percentual do solo cultivado e identificar falhas na plantação. Técnicas de Data Augmentation e Synthetic Data foram utilizadas de modo a aumentar e diversificar o dataset na tentativa de gerar um modelo final mais robusto e generalista. Outrossim, foi realizado um comparativo entre três arquiteturas de detecção de objetos de alto desempenho (Faster R-CNN, RetinaNet e YOLO) e suas respectivas variações. Além disso, para a arquitetura vencedora YOLOv8, foram testadas várias profundidades com o objetivo de verificar uma possível correlação entre a precisão média e o tamanho da rede, a qual foi constatada pelo melhor desempenho da YOLOv8 Extra Large. Na sequência, testamos também variações de hiperparâmetros como batch size, learning rate e o otimizador, de onde foi possível obter o melhor conjunto: batch size de 16, learning rate de 0.001 e SGD como otimizador, aumentando a precisão média da rede para 89.2%, superando em 4% o modelo não otimizado. Algoritmos heurísticos foram desenvolvidos em Python de modo a identificar as falhas e calcular o aproveitamento do solo. Por fim, constatou-se que a inclusão dos dados sintéticos no conjunto de dados de treinamento piorou a performance do modelo otimizado em 4% no que diz respeito à precisão média. | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject.keyword | Inteligência artificial | pt_BR |
dc.subject.keyword | Redes neurais (Computação) | pt_BR |
dc.subject.keyword | Imagens - análise | pt_BR |
dc.title | Aplicabilidade de técnicas de Inteligência Artificial na análise automática de imagens agrícolas aéreas | pt_BR |
dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
dc.date.accessioned | 2024-07-09T19:34:55Z | - |
dc.date.available | 2024-07-09T19:34:55Z | - |
dc.date.submitted | 2023-07-21 | - |
dc.identifier.uri | https://bdm.unb.br/handle/10483/39217 | - |
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 | Artificial Intelligence techniques have boosted the performance of the agricultural sector, primarily due to the introduction of technologies such as drone mapping, pest detection, and decision-making support. In this regard, the present work aims to apply Deep Learning techniques to a sorghum crop dataset, with the goal of detecting planting lines, calculating the percentage of cultivated soil, and identifying faults in the plantation. Data Augmentation and Synthetic Data techniques were used to increase and diversify the dataset in an attempt to generate a more robust and generalized final model. In addition, a comparison was made between three high-performance object detection architectures (Faster R-CNN, RetinaNet, and YOLO) and their respective variations. Furthermore, for the winning architecture, YOLOv8, various depths were tested to investigate a possible correlation between average precision and network size, which was confirmed by the superior performance of YOLOv8 Extra Large. Subsequently, we also tested variations of hyperparameters such as batch size, learning rate, and the optimizer, from which the best set was obtained: batch size of 16, learning rate of 0.001, and SGD as the optimizer, increasing the network’s average precision to 89.2%, surpassing the unoptimized model by 4%. Heuristic algorithms were developed in Python to identify faults and calculate soil utilization. Finally, it was found that the inclusion of synthetic data in the training dataset degraded the performance of the optimized model by 4% in terms of average precision. | pt_BR |
Aparece na Coleção: | Engenharia Mecatrônica
|