Use este identificador para citar ou linkar para este item:
https://repositorio.ufu.br/handle/123456789/43777| ORCID: |  http://orcid.org/0009-0006-9492-4598 |
| Tipo do documento: | Trabalho de Conclusão de Curso |
| Tipo de acesso: | Acesso Aberto |
| Título: | Análise do impacto do aumento de dados no reconhecimento de ferrugem em folhas de café |
| Autor(es): | Gomides, Augusto Victor Martins |
| Primeiro orientador: | Travençolo, Bruno Augusto Nassif |
| Primeiro membro da banca: | Moreira, Larissa Ferreira Rodrigues |
| Segundo membro da banca: | Lafetá, Thiago Fialho de Queiroz |
| Resumo: | A ferrugem dos cafezais é uma doença muito grave que ataca lavouras em todo o mundo e identificá-la de forma rápida e assertiva pode auxiliar no seu controle. Atualmente existem diversas formas de realizar o combate a doença da ferrugem e a melhor escolha do conjunto de estratégias para identificação afetará diretamente o processo, podendo acelerar o tempo entre o conhecimento do problema e ação de combate ao problema. Este trabalho tem como objetivo comparar o desempenho de seis Redes Neurais Convolucionais (CNN) no contexto da detecção de ferrugem em folhas de café, utilizando-se de um banco de imagens público chamado RoCoLe. Na base encontra-se um conjunto com 6 classes de folhas (saudável, doente com níveis de severidade 1 a 4, e folha com a presença de danos causados pelo ácaro-vermelho). As redes foram treinadas com e sem aumento de dados. O experimentos mostraram que com a estratégia de aumento de dados em algumas situações melhora a tarefa de classificação da rede. |
| Abstract: | Coffee rust is a very serious disease that affects plantations worldwide, and identifying it quickly and accurately can assist in its control. Currently, there are several ways to combat the rust disease, and the best choice of identification strategy will directly impact the process, potentially accelerating the time between identifying the problem and taking action to address it. This work aims to compare the performance of six Convolutional Neural Networks (CNN) in the context of detecting rust on coffee leaves, using a public image dataset called RoCoLe. The dataset consists of 6 classes of leaves (healthy, diseased with severity levels from 1 to 4, and leaves with damage caused by red mite). The networks were trained with and without data augmentation. The experiments showed that the use of data augmentation strategies improved the classification task in some situations. |
| Palavras-chave: | Visão Computacional Reconhecimento de Padrões Folha de Café Redes Convolucionais Aumento de dados |
| Área(s) do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO |
| Idioma: | por |
| País: | Brasil |
| Editora: | Universidade Federal de Uberlândia |
| Referência: | GOMIDES, Augusto Victor Martins. Análise do impacto do aumento de dados no reconhecimento de ferrugem em folhas de café. 2024. 32 f. Trabalho de Conclusão de Curso (Bacharelado em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2024. |
| URI: | https://repositorio.ufu.br/handle/123456789/43777 |
| Data de defesa: | 30-Out-2024 |
| Aparece nas coleções: | TCC - Sistemas de Informação (Uberlândia) |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| AnáliseImpactoAumento.pdf | 371.54 kB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
