Publicação:
Detecção de pragas e patógenos do cafeeiro através de imagens multiespectrais de baixo custo e algoritmos baseados em aprendizado de máquina

Página do item simplificado
dc.contributor.advisor1Martins, George Deroco
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3672769708388118pt_BR
dc.contributor.referee1Barbosa, Ricardo Luís
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0436775802901343pt_BR
dc.contributor.referee2Orlando, Vinicius Silva Werneck
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1012635221566619pt_BR
dc.creatorMendonça, Rafael Cordeiro Pereira
dc.date.accessioned2022-03-31T18:26:15Z
dc.date.available2022-03-31T18:26:15Z
dc.date.issued2022-03-29
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoA agricultura é uma das principais atividades econômicas nacionais, devido a sua grande participação no Produto Interno Bruto (PIB). Proporcionando ao Brasil o segundo lugar como maior consumidor de café e o primeiro lugar como maior produtor e exportador a nível mundial do produto cultivado. Contudo, diversas variáveis podem prejudicar o potencial produtivo do cafeeiro nas lavouras, principalmente doenças, como a Cercosporiose e o inseto praga conhecido como Bicho-Mineiro. Medidas de controle por meio de pesticidas agrícolas onerosos e ambientalmente invasivos, diagnóstico in loco e a investigação contínua da ocorrência de plantas afetadas por esses patógenos, são ações caras e nem sempre tecnicamente viáveis. Assim, tendo como base a Agricultura de Precisão (AP), este estudo teve como objetivo identificar um conjunto de atributos que facilitem a discriminação desses patógenos nos cafeeiros, a partir de análises de imagens multiespectrais de baixo custo, além de informações obtidas in situ, e através da utilização de algoritmos baseados em aprendizado de máquina. Por fim, resultou que os algoritmos Support Vector Machine (SVM) e Redes Neurais Artificiais (RNA), são capazes de discriminar as plantas saudáveis das infectadas, e que SVM apresentou melhor desempenho que as RNA. Ademais identificou-se um conjunto de atributos que contribuiu para a discriminação das plantas.pt_BR
dc.description.sponsorshipCNPq - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.identifier.citationMENDONÇA, Rafael Cordeiro Pereira. Detecção de pragas e patógenos do cafeeiro através de imagens multiespectrais de baixo custo e algoritmos baseados em aprendizado de máquina. 2022. 41 f. Trabalho de Conclusão de Curso (Graduação em Engenharia de Agrimensura e Cartográfica) – Universidade Federal de Uberlândia, Monte Carmelo, 2022.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/34474
dc.languageporpt_BR
dc.orcid.putcode110842603
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseEngenharia de Agrimensura e Cartográficapt_BR
dc.rightsAcesso Abertopt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/*
dc.sizeorduration41pt_BR
dc.subjectCafeiculturapt_BR
dc.subjectImagens multiespectraispt_BR
dc.subjectDoençaspt_BR
dc.subjectMonitoramento remoto de pragas e patógenospt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.titleDetecção de pragas e patógenos do cafeeiro através de imagens multiespectrais de baixo custo e algoritmos baseados em aprendizado de máquinapt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dspace.entity.typePublication

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
DetecçãoPragasPatógenos.pdf
Tamanho:
1.35 MB
Formato:
Adobe Portable Document Format
Descrição:
TCC
Baixar

Licença do pacote

Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

TCC - Engenharia de Agrimensura e Cartográfica (Monte Carmelo)