Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/39836
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.creator | Landim, Henrique Ferreira | - |
dc.date.accessioned | 2023-12-08T17:03:12Z | - |
dc.date.available | 2023-12-08T17:03:12Z | - |
dc.date.issued | 2023-11-29 | - |
dc.identifier.citation | LANDIM, Henrique Ferreira. Aplicação de um algoritmo de detecção de ervas daninhas baseado em redes neurais na pulverização pontual de herbicidas utilizados na produção agrícola. 2023. 85 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Eletrônica e de Telecomunicações) – Universidade Federal de Uberlândia, Uberlândia, 2023. | pt_BR |
dc.identifier.uri | https://repositorio.ufu.br/handle/123456789/39836 | - |
dc.description.abstract | The use of pesticides, both in Brazil and globally, is the subject of research related to intoxication, soil and water contamination, and cancer-related trends. In this context, new studies and projects aimed at increasing the efficiency of these compounds are being disseminated in academic circles. Currently, artiĄcial intelligence is increasingly used in agriculture to seek gains and improvements in agronomic processes. Thus, the main purpose of this work was to develop a weed detection model with the intention of applying this model in spread spray systems, a promising technique that reduces the amount of herbicides applied through variable-rate application. The YoLo algorithm, which utilizes a single neural network in the Darknet, was employed for class detections. Other studies with the same scope were examined to provide support and scientiĄc basis for the work, resulting in detections of four weed species: caruru, juá-de-capote, vassoura, and trapoeraba. At the end of the neural network training, an accuracy of 51% was achieved for the juá-de-capote weed class, 31% for the caruru class, 29% for the trapoeraba class, and 17% for the vassoura class. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Uberlândia | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.rights | Attribution-NonCommercial-ShareAlike 3.0 United States | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/us/ | * |
dc.subject | Agricultura | pt_BR |
dc.subject | Detecção | pt_BR |
dc.subject | Herbicidas | pt_BR |
dc.subject | Pulverização | pt_BR |
dc.subject | Rede Neural | pt_BR |
dc.subject | Agriculture | pt_BR |
dc.subject | Detection | pt_BR |
dc.subject | Detection | pt_BR |
dc.subject | Pulverization | pt_BR |
dc.subject | Neural Network | pt_BR |
dc.title | Aplicação de um algoritmo de detecção de ervas daninhas baseado em redes neurais na pulverização pontual de herbicidas utilizados na produção agrícola | pt_BR |
dc.type | Trabalho de Conclusão de Curso | pt_BR |
dc.contributor.advisor1 | Silva, Rafael Augusto da | - |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7332279341824131 | pt_BR |
dc.contributor.referee1 | Bertarini, Pedro Luiz Lima | - |
dc.contributor.referee1Lattes | http://lattes.cnpq.br/6101890440707894 | pt_BR |
dc.contributor.referee2 | Coelho, Júlio Cézar | - |
dc.contributor.referee2Lattes | http://lattes.cnpq.br/3309306951751923 | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/0465194022864924 | pt_BR |
dc.description.degreename | Trabalho de Conclusão de Curso (Graduação) | pt_BR |
dc.description.resumo | O uso de agrotóxicos, no Brasil e no mundo, é tema de pesquisas relacionadas a intoxicações, contaminações do solo e da água, e tendências cancerígenas. Nesse sentido, novos estudos projetos que aumentam a eĄciência desses compostos vem sendo difundidos no meio acadêmico. Atualmente, a inteligência artiĄcial está sendo cada vez mais utilizada na agricultura, a Ąm de buscar ganhos e melhorias nos processos agronômicos. Dessa forma, o propósito principal deste trabalho, foi desenvolver um modelo de detecção de ervas daninhas, com o intuito de aplicar esse modelo em sistemas de pulverização, uma técnica promissora que diminui a quantidade de agrotóxicos por ser aplicados em taxa variada. Foi utilizado o algoritmo You Only Look Once (YoLo) que utiliza uma única rede neural a Darknet, para fazer as detecções das classes. Outras pesquisas com mesmo escopo foram estudas para dar respaldo e base cientíĄca para o trabalho, que resultou em detecções de quatro espécies de ervas daninhas, o caruru, o capote, a vassoura e a trapoeraba. Ao Ąm dos treinamentos da rede neural, alcançou-se uma precisão de 51% na classe da erva juá-de-capote, 31% na classe do caruru, 29% na classe da trapoeraba e 17% na classe da vassoura. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.course | Engenharia de Eletrônica e Telecomunicações | pt_BR |
dc.sizeorduration | 85 | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA::ELETRONICA INDUSTRIAL, SISTEMAS E CONTROLES ELETRONICOS::AUTOMACAO ELETRONICA DE PROCESSOS ELETRICOS E INDUSTRIAIS | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS AGRARIAS::AGRONOMIA::FITOTECNIA::MECANIZACAO AGRICOLA | pt_BR |
dc.orcid.putcode | 148374996 | - |
Appears in Collections: | TCC - Engenharia Eletrônica e de Telecomunicações (Patos de Minas) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
TCC2HenriquePDFA.pdf | 23.81 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License