Publicação: Estimativa de produção do morangueiro por algoritmos de aprendizado de máquina a partir de imagens multiespectrais
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::CIENCIAS AGRARIAS::AGRONOMIA
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Martins, George Deroco
Resumo
A estimativa de produtividade do morangueiro é um processo manual, trabalhoso e subjetivo.
Um processo de estimativa eficiente e preciso permitiria melhor gestão da cultura. Sendo
assim, o objetivo do presente trabalho foi avaliar o desempenho de algoritmos de regressão:
Linear Regression e Support Vector Machine na estimativa do número de frutos, massa média
de frutos e número de folhas do morangueiro através de imagens multiespectrais obtidas por
aeronave remotamente pilotada (ARP). O experimento foi conduzido na área experimental do
Laboratório de Botânica, da Universidade Federal de Uberlândia – Campus Monte Carmelo.
O delineamento experimental foi de blocos casualizados com seis tratamentos e quatro
repetições. Os tratamentos consistiram de seis cultivares comerciais de morango: San
Andreas, Albion, PR, Festival, Oso Grande e Guarani. O uso das diferentes cultivares teve por
objetivo gerar variabilidade genética para testar a eficiência de estimativa dos algoritmos. Os
voos para aquisição das imagens foram realizados semanalmente. As imagens passaram por
pré-processamento para extração dos valores radiométricos de cada planta da área
experimental. Tais valores foram então utilizados para treinamento dos algoritmos de
predição da produção. No mesmo período coletaram-se dados de massa média de frutos,
número de frutos por planta e número de folhas. Os resultados demonstraram que os
algoritmos Linear Regression e Support Vector Machine são capazes de estimar no
morangueiro, por meio de imagens multiespectrais obtidas por ARP, número de frutos (com
acurácia de 99,55% e 84,26%, respectivamente), massa média de frutos (com acurácia de
99,91% e 89,62%, respectivamente) e número de folhas (com acurácia de 99,94% e 98,12%,
respectivamente.
Abstract
Estimating strawberry productivity is a manual, hard-working and subjective process. An
efficient and accurate estimation process would allow better crop management. Thus, the
objective of this work was to evaluate the performance of regression algorithms: Linear
Regression and Support Vector Machine in estimating the number of fruits, average fruit mass
and number of leaves of the strawberry plant through multispectral images obtained by
remotely piloted aircraft (RPA). The experiment was carried out in the experimental area of
the Botany Laboratory, at the Federal University of Uberlândia – Campus Monte Carmelo.
The experimental design was randomized blocks with six treatments and four replications.
The treatments consisted of six commercial strawberry cultivars: San Andreas, Albion, PR,
Festival, Oso Grande and Guarani. The use of different cultivars aimed to generate genetic
variability to test the estimation efficiency of the algorithms. Flights for image acquisition
were performed weekly. The images passed through pre-processing, for the transmission of
the radiometric values of each plant in the experimental area. These values were then used for
training the production prediction algorithms. In the same period data were collected on
average fruit mass, number of fruits per plant and number of leaves. The exciting results that
the Linear Regression and Support Vector Machine algorithms are able to estimate in
strawberry plants, through multispectral images transmitted by RPA, number of fruits (with
accuracy of 99.55% and 84.26%, respectively), average mass of fruits (with accuracy of
99.91% and 89.62%, respectively), and number of leaves (with accuracy of 99.94% and
98.12%, respectively.
Palavras-chave
sensoriamento remoto, linear regression, support vector machine, remote sensing, linear regression, support vector machine
Citação
OLIVEIRA, Larissa Silva de. Estimativa de produção do morangueiro por algoritmos de aprendizado de máquina a partir de imagens multiespectrais. 2023. 58 f. Dissertação (Mestrado em Agronomia) - Universidade Federal de Uberlândia, Uberlândia, 2023. DOI http://doi.org/10.14393/ufu.di.2023.7002.