| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Borges, Díbio Leandro | - |
| dc.contributor.author | Azevedo, Gustavo Joshua de Faria Costa de | - |
| dc.identifier.citation | AZEVEDO, Gustavo Joshua de Faria Costa de. Classificação de imagens de insetos com poucas amostras: uma abordagem inovadora utilizando a arquitetura Swin. 2023. 75 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 | Este trabalho concentra-se na aplicação da arquitetura Swin Transformer na classificação de
insetos danosos a plantações em situações em que há escassez de imagens. Com o advento da
tecnologia e o crescimento da visão computacional, os métodos tradicionais de identificação
de insetos passarama ser substituídos por técnicas mais avançadas e precisas, com a utilização
de inteligência artificial. A Swin Transformer, uma arquitetura inovadora que surge como
uma alternativa às tradicionais redes neurais convolucionais e que se destaca na extração de
características relevantes utilizando técnicas de janelas deslocadas, foi utilizada neste estudo
para a classificação de insetos danosos a plantações em contextos agrícolas. A pesquisa
avalia a eficácia de diferentes versões da Swin Transformer, explorando sua capacidade
em cenários com um número limitado de imagens disponíveis, utilizando a metodologia
few-shot learning. Através desta abordagem, o trabalho tem o objetivo de contribuir para o
avanço do campo de classificação de insetos agrícolas, oferecendo uma avaliação abrangente
das diferentes técnicas e seu potencial impacto na agricultura. Mesmo com quantidades
pequenas de imagens, foram alcançados resultados de 96,05% de acurácia para classificação
de insetos adultos, e 87,96% de acurácia para insetos em estágio inicial de vida utilizado
testes three-way five-shot. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Visão por computador | pt_BR |
| dc.subject.keyword | Redes neurais convolucionais (Computação) | pt_BR |
| dc.title | Classificação de imagens de insetos com poucas amostras : uma abordagem inovadora utilizando a arquitetura Swin | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2024-08-29T15:18:52Z | - |
| dc.date.available | 2024-08-29T15:18:52Z | - |
| dc.date.submitted | 2023-12-08 | - |
| dc.identifier.uri | https://bdm.unb.br/handle/10483/39743 | - |
| 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 | This work focuses on the application of the Swin Transformer architecture in the classification
of insects pests in situations where there is a scarcity of images. With the advent of
technology and the growth of computer vision, traditional methods of insect identification
have been replaced by more advanced and accurate techniques involving artificial intelligence.
The Swin Transformer, an innovative architecture that serves as an alternative to
traditional convolutional neural networks, excels in extracting relevant features using shifted
windows techniques. In this study, it was employed for the classification of harmful insects
in agricultural contexts. The research evaluates the effectiveness of different versions of the
Swin Transformer, exploring its capability in scenarios with a limited number of available
images, utilizing the few-shot learning methodology. Through this approach, the work aims
to contribute to the advancement of the agricultural insect classification field by providing a
comprehensive assessment of different techniques and their potential impact on agriculture.
Even with small quantities of images, results of 96.05% of accuracy were achieved for the
classification of adult insects, and 87.96% of accuracy for insects in the early life stage, using
three-way five-shot tests. | pt_BR |
| Aparece na Coleção: | Engenharia Mecatrônica
|
