Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/36077
Document type: | Dissertação |
Access type: | Acesso Aberto |
Title: | Detecção de Planococcus citri em cafeeiro por imagens multiespectrais |
Alternate title (s): | Detection of Planococcus citri in coffee by multispectral images |
Author: | Rossati, Kamila Fernanda |
First Advisor: | Carvalho, Vanessa Andaló Mendes de |
First coorientator: | Martins, George Deroco |
First member of the Committee: | Fernandes, Flávio Lemes |
Summary: | A cultura do cafeeiro proporciona cerca de 125 milhões de empregos. No cafeeiro a cochonilha Planoccous citri é encontrada em reboleiras, e podem infestar ramos, folhas, botões florais e frutos, chegando a infestar todas as rosetas da planta e levando ao chochamento parcial ou perda total destes ramos. A amostragem não é realizada em função do custo e do tempo demandado para essa prática, por isso as aplicações ocorrem em área total. Dessa forma se faz necessário a introdução de tecnologias que possibilitem o fornecimento de informações para a melhor tomada de decisão no seu manejo. O estudo teve-se como objetivo verificar o potencial de uso de imagens multiespectrais de baixo custo na discriminação de plantas de cafeeiro infestadas por P. citri. Foram utilizadas três áreas de estudo, sendo a primeira no município de Coromandel, MG, uma com alta infestação de cochonilha e a segunda com ausência de cochonilha e uma área no município de Monte Carmelo, MG, com presença e ausência de cochonilha nas plantas avaliadas. Em cada área de estudo foram amostradas aleatoriamente 50 plantas, com distância mínima de 10 metros entre plantas, avaliando a quantidade de cochonilhas presentes em 2 ramos plagiotrópicos localizados no terço médio das plantas. As imagens foram obtidas utilizando um drone acoplado a uma câmera Mapir Survey 3W a uma altura de 100 metros. As classificações foram feitas utilizando os algoritmos Redes Neurais Artificiais (RNA), Support Vector Machine (SMO) e Florestas Aleatórias. Os resultados confirmaram a possibilidade de discriminação entre plantas sadias e infestadas por P. citri utilizando algoritmos baseados em aprendizado de máquina. Com relação à discriminação de plantas sadias e infestadas, o algoritmo Random Forest apresentou o melhor resultado em áreas com variabilidade de infestação (EG=90% e K=0,80), seguido pelo SMO (EG=83,34% e K=0,67) e RNA (EG=73,34% e K= 0,47). |
Abstract: | Coffee growing provides around 125 million jobs. In the coffee plant, the mealybug Planoccous citri is found in reboleiras, and can infest branches, leaves, flower buds and fruits, reaching the point of infesting all the rosettes of the plant and leading to partial stunting or total loss of these branches. Sampling is not performed due to the cost and time required for this practice, so the applications occur in the total area. In this way, it is necessary to introduce technologies that allow the provision of information for better decision-making in its management. The objective of this study was to verify the potential of using low-cost multispectral images in the discrimination of coffee plants infested by P. citri. Three study areas were used, the first in the municipality of Coromandel, MG, one with a high infestation of cochineal and the second with no cochineal and an area in the municipality of Monte Carmelo, MG, with presence and absence of cochineal in the evaluated plants. . In each study area, 50 plants were randomly sampled, with a minimum distance of 10 meters between plants, evaluating the amount of mealybugs present in 2 plagiotropic branches located in the middle third of the plants. The images were obtained using a drone coupled to a Mapir Survey 3W camera at a height of 100 meters. The classifications were made using the algorithms Artificial Neural Networks (ANN), Support Vector Machine (SMO) and Random Forests. The results confirmed the possibility of discrimination between healthy and P. citri infested plants using algorithms based on machine learning. Regarding the discrimination of healthy and infested plants, the Random Forest algorithm showed the best result in areas with infestation variability (EG=90% and K=0.80), followed by SMO (EG=83.34% and K= 0.67) and RNA (EG=73.34% and K=0.47). |
Keywords: | aprendizado de máquina cafeicultura cochonilha-da-roseta detecção de pragas imgens multiespectrais machine learning coffee growing rosette mealybug pest detection multiespectral imaging |
Area (s) of CNPq: | CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::FITOSSANIDADE::ENTOMOLOGIA AGRICOLA |
Subject: | Agronomia Café - Cultivo Cochonilha - Imagens multiespectrais Café - Doenças e pragas |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Program: | Programa de Pós-graduação em Agricultura e Informações Geoespaciais |
Quote: | ROSSATI, Kamila Fernanda. Detecção de Planococcus citri em cafeeiro por imagens multiespectrais. 2022. 39 f. Dissertação (Mestrado em Agricultura e Informações Geoespaciais) - Universidade Federal de Uberlândia, Monte Carmelo, 2022. DOI http://doi.org/10.14393/ufu.di.2022.425 |
Document identifier: | http://doi.org/10.14393/ufu.di.2022.425 |
URI: | https://repositorio.ufu.br/handle/123456789/36077 |
Date of defense: | 27-Jul-2022 |
Appears in Collections: | DISSERTAÇÃO - Agricultura e Informações Geoespaciais (Monte Carmelo) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
DetecçãoPlanococcusCitri.pdf | Dissertação | 10.54 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.