dc.contributor.author | Neves, Ricardo Alexandre | |
dc.date.accessioned | 2024-08-08T11:59:20Z | |
dc.date.available | 2024-08-08T11:59:20Z | |
dc.date.issued | 2024-02-19 | |
dc.identifier.uri | https://repositorio.ufscar.br/handle/ufscar/20311 | |
dc.description.abstract | Controlling Asian Soybean Rust (Phakopsora pachyrhizi) in soybeans (Glycine max (L.) Merril) often requires high fungicide use, which can lead to resistance. Thus, new control solutions are needed for mitigation. This work presents an intelligent computer vision system for assessing the presence and severity of this disease in crop areas. It involves pattern recognition and machine learning techniques, enabling diagnostic actions for prognosis and control. It considers a decision-support model using random variables related to climate, plants, and characteristics recognized in digital images of monitored
soybean leaves. For feature extraction, it uses scale-invariant feature transform, histogram
of oriented gradients, and Hu’s invariant moments techniques. It uses cloud-based computational infrastructure and intelligent network processing, as well as principal component analysis for dimensionality reduction of features classified by support vector machines. Additionally, a hidden Markov model is used to fuse random variables, offering robustness, effectiveness, and efficiency, as confirmed by expert cross-correlation. To evaluate data quality at various system stages, metric sets such as peak signal-to-noise ratio, mean squared error, structural similarity index, missing values, accuracy, precision, F1-score, and recall are considered. This solution prevents and reduces fungicide use, enhancing
production and guiding future early spatio-temporal monitoring of the disease on an agricultural scale. | 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 | Processamento de imagens | por |
dc.subject | Aprendizado de máquina | por |
dc.subject | Suporte à decisão | por |
dc.subject | Ferrugem asiática da soja | por |
dc.subject | Image processing | eng |
dc.subject | Machine learning | eng |
dc.subject | Decision support | eng |
dc.subject | Asian soybean rust | eng |
dc.title | Sistema de visão e inteligência computacional em ambiente de nuvem para gestão de risco da ferrugem asiática na cultura da soja | por |
dc.title.alternative | A cloud-based computational intelligence and vision system for asian rust risk analysis in soybean crops | eng |
dc.type | Tese | por |
dc.contributor.advisor1 | Cruvinel, Paulo Estevão | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/7924553462118511 | por |
dc.description.resumo | O controle da Ferrugem Asiática (Phakopsora pachyrhizi) da soja (Glycine max (L.) Merril) requer alto uso de fungicidas, o que pode gerar resistência. Logo, novas soluções de controle têm sido requeridas para sua mitigação. Este trabalho apresenta um sistema de inteligência e visão computacional para a avaliação da presença ou não desta doença em área de cultura e estágio de severidade. Envolve o uso de técnicas de reconhecimento de padrões e aprendizado de máquina, viabilizando ações de diagnóstico para prognósticos e controle. Considera um modelo de suporte à decisão que utiliza variáveis aleatórias relacionadas ao clima, às plantas e às características de padrões reconhecidos em imagens digitais de folhas da soja sob monitoramento. Para a extração de características utiliza as técnicas de transformada de características invariantes à escala, histograma de gradientes orientados e momentos invariantes de Hu. Faz uso de infraestrutura computacional em ambiente de nuvem e processamento baseado em redes inteligentes, bem como técnica de análise de componentes principais na etapa de redução da dimensionalidade das características que são classificadas por máquina de vetor de suporte. Adicionalmente, considera o modelo baseado no uso de cadeias ocultas de Markov, que é dedicado à fusão do conjunto das variáveis aleatórias, oferecendo robustez, eficácia e eficiência, conforme resultados validados por correlação cruzada com respostas de especialistas. Para a avaliação da qualidade dos dados, nas diversas etapas do sistema, são ainda considerados conjuntos de métricas, tais como razão sinal-ruído de pico, erro médio quadrático, índice de similaridade estrutural, valores ausentes, acurácia, precisão, F1-score e revocação. A solução desenvolvida oferece prevenção e minimização do uso de fungicidas, agregando valor ao processo produtivo e orientando o futuro monitoramento espaço-temporal precoce da doença em escala agrícola. | por |
dc.publisher.initials | UFSCar | por |
dc.publisher.program | Programa de Pós-Graduação em Ciência da Computação - PPGCC | por |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO | por |
dc.publisher.address | Câmpus São Carlos | por |
dc.contributor.authorlattes | http://lattes.cnpq.br/7190904094905221 | por |
dc.contributor.authororcid | https://orcid.org/0000-0002-8129-8907 | por |
dc.contributor.advisor1orcid | https://orcid.org/0000-0002-8367-8233 | por |