Mostrar el registro sencillo del ítem

dc.contributor.authorCarmo, Cassio Cioni
dc.date.accessioned2023-09-21T19:35:38Z
dc.date.available2023-09-21T19:35:38Z
dc.date.issued2023-09-06
dc.identifier.citationCARMO, Cassio Cioni. Detecção e identificação de doenças em folhas utilizando redes neurais. 2023. Trabalho de Conclusão de Curso (Graduação em Engenharia Elétrica) – Universidade Federal de São Carlos, São Carlos, 2023. Disponível em: https://repositorio.ufscar.br/handle/ufscar/18599.*
dc.identifier.urihttps://repositorio.ufscar.br/handle/ufscar/18599
dc.description.abstractIn this study, an approach using neural networks for the detection and classification of diseases in soybean leaves based on images was explored. The main objective of the research was to develop a model capable of analyzing soybean leaf images, identifying different disease classes, and determining the overall health of the plants. The significance of this work lies in its application to precision agriculture, aiming for more effective monitoring and care of crops. The methodology employed included the extraction of features from leaf textures, using techniques such as Histogram of Oriented Gradients (HOG) for identifying textural patterns and edges, as well as obtaining color histograms in the HSV (Hue, Saturation, and Brightness) and RGB (Red, Green, and Blue) components of the images.The results obtained demonstrated promising performance of the proposed model in classifying different disease classes and determining the health of soybean plants. An accuracy rate of 87.54% in classification was achieved, indicating a solid rate of correct classification, even in the face of the complexity of the classes and variability in the images. In summary, this research offers valuable insights for disease detection in soybean plants through neural networks. The results underscore the feasibility and relevance of this approach for precision agriculture and crop health monitoring.The analysis of the confusion matrix reveals valuable information about areas that can be improved, especially in classes with lower representation, emphasizing the importance of future optimizations. This encompasses increasing data collection and expanding the training image dataset, as well as making more detailed adjustments to the hyperparameters of the neural networks. In the future, the exploration of convolutional neural networks and the enrichment of the database have the potential to further contribute to the accuracy and effectiveness of the model, driving significant advancements in disease detection and classification in plants.eng
dc.description.sponsorshipNão recebi financiamentopor
dc.language.isoporpor
dc.publisherUniversidade Federal de São Carlospor
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectDoenças de folhaspor
dc.subjectLeaf diseaseseng
dc.subjectRedes neuraispor
dc.subjectNeural networkseng
dc.subjectVisão computacionalpor
dc.subjectComputer visioneng
dc.titleDetecção e identificação de doenças em folhas utilizando redes neuraispor
dc.title.alternativeDetection and identification of diseases in leaf using neural networkseng
dc.typeTCCpor
dc.contributor.advisor1França, Celso Aparecido de
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/4547836128892982por
dc.description.resumoNeste estudo, foi explorada uma abordagem com redes neurais para a detecção e classificação de doenças em folhas de plantas de soja com base em imagens. A pesquisa teve como objetivo principal desenvolver um modelo capaz de analisar imagens de folhas de soja, identificando diferentes classes de doenças e determinando a saúde geral das plantas. A importância desse trabalho reside na aplicação da agricultura de precisão, visando o monitoramento e cuidado mais eficaz das culturas. A metodologia empregada incluiu a extração de características das texturas das folhas, utilizando técnicas como Histogram of Oriented Gradients (HOG) para a identificação de padrões texturais e bordas, bem como a obtenção de histogramas de cores nas componentes HSV(Hue, Saturation e Brightness) e RGB(Red, Green, and Blue) das imagens. Os resultados obtidos demonstraram um desempenho promissor do modelo proposto na classificação das diferentes classes de doenças e na determinação da saúde das plantas de soja. Uma acurácia de 87.54% na classificação foi alcançada, indicando uma sólida taxa de classificação correta, mesmo diante da complexidade das classes e da variabilidade nas imagens. Em síntese, esta pesquisa oferece valiosas perspectivas para a detecção de doenças em plantas de soja por meio das redes neurais. Os resultados reforçam a viabilidade e relevância dessa abordagem para a agricultura de precisão e o monitoramento da saúde das culturas agrícolas. A análise da matriz de confusão revela informações valiosas sobre áreas que podem ser aprimoradas, especialmente nas classes com menor representatividade, enfatizando a importância de futuras otimizações. Isso abrange desde o aumento da coleta de dados e a expansão do conjunto de imagens de treinamento até ajustes mais detalhados nos hiperparâmetros das redes neurais. No futuro, a exploração de redes neurais convolucionais e o enriquecimento da base de dados têm o potencial de contribuir ainda mais para a precisão e eficácia do modelo, impulsionando avanços significativos na detecção e classificação de doenças em plantas.por
dc.publisher.initialsUFSCarpor
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpor
dc.publisher.addressCâmpus São Carlospor
dc.contributor.authorlatteshttps://lattes.cnpq.br/7818585399610905por
dc.publisher.courseEngenharia Elétrica - EEpor
dc.contributor.advisor1orcidhttps://orcid.org/0000-0003-2235-9551por


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Attribution-NonCommercial-NoDerivs 3.0 Brazil
Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-NonCommercial-NoDerivs 3.0 Brazil