dc.contributor.author | Carmo, Cassio Cioni | |
dc.date.accessioned | 2023-09-21T19:35:38Z | |
dc.date.available | 2023-09-21T19:35:38Z | |
dc.date.issued | 2023-09-06 | |
dc.identifier.citation | CARMO, 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.uri | https://repositorio.ufscar.br/handle/ufscar/18599 | |
dc.description.abstract | In 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.sponsorship | Não recebi financiamento | por |
dc.language.iso | por | por |
dc.publisher | Universidade Federal de São Carlos | por |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Doenças de folhas | por |
dc.subject | Leaf diseases | eng |
dc.subject | Redes neurais | por |
dc.subject | Neural networks | eng |
dc.subject | Visão computacional | por |
dc.subject | Computer vision | eng |
dc.title | Detecção e identificação de doenças em folhas utilizando redes neurais | por |
dc.title.alternative | Detection and identification of diseases in leaf using neural networks | eng |
dc.type | TCC | por |
dc.contributor.advisor1 | França, Celso Aparecido de | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4547836128892982 | por |
dc.description.resumo | Neste 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.initials | UFSCar | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | https://lattes.cnpq.br/7818585399610905 | por |
dc.publisher.course | Engenharia Elétrica - EE | por |
dc.contributor.advisor1orcid | https://orcid.org/0000-0003-2235-9551 | por |