Detalhes bibliográficos
| Ano de defesa: |
2021 |
| Autor(a) principal: |
Bessa Oliveira, George Wilber de
 |
| Orientador(a): |
Canteri, Marcelo Giovanetti
|
| Banca de defesa: |
Caires, Eduardo Fávero,
Siqueira, Hugo Valadares |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Universidade Estadual de Ponta Grossa
|
| Programa de Pós-Graduação: |
Programa de Pós Graduação Computação Aplicada
|
| Departamento: |
Departamento de Informática
|
| País: |
Brasil
|
| Palavras-chave em Português: |
|
| Área do conhecimento CNPq: |
|
| Link de acesso: |
http://tede2.uepg.br/jspui/handle/prefix/3432
|
Resumo: |
Modelos de aprendizagem profunda, em especial as Redes Neurais Convolucionais, são atualmente protagonistas de expressivos avanços nas tarefas de visão computacional. A disponibilidade de computadores robustos, dotados de grande capacidade de processamento, possibilitou a ampliação dos campos de trabalho nessa área e as redes neurais aumentaram ainda mais as possibilidades. Entretanto, os modelos de aprendizagem profunda comumente necessitam de grandes bases de dados para o aprendizado de características relevantes das imagens e a elaboração de bases de dados de doenças de plantas requer o empenho de uma considerável força de trabalho e o acesso a uma vasta coleção de imagens, além de razoáveis condições de captura. Os métodos de ampliação de dados servem ao propósito de aumentar o número de itens de uma base de dados através de modificações nas imagens existentes e, por vezes, a geração de novas imagens com base nas características observadas em parte do conjunto. Este estudo empreendeu a coleta de um conjunto de imagens de folíolos de feijoeiro para a elaboração de bases de dados e a posterior condução de testes com diferentes arquiteturas de redes neurais e configurações de técnicas de ampliação de dados com o propósito de avaliar a influência de tais técnicas na simulação de imagens coletadas em condições distintas, bem como sua influência nas medidas de desempenho de acurácia, sensibilidade, especificidade e sobreajuste no intuito de distinguir imagens de partes de folíolos saudáveis daquelas contendo partes afetadas pela doença fúngica antracnose em diferentes estágios. Os resultados mostram que as técnicas de ampliação de dados possibilitam a simulação de diferentes condições de aquisição das imagens, e os modelos de classificação baseados em redes neurais convolucionais alcançaram resultados variando entre 60 e 90% de acurácia nas diferentes configurações experimentais. A bibliografia consultada, em conjunto com os resultados apresentados, dá margem à sugestão de novos trabalhos na mesma temática, considerando o incremento do número de imagens no conjunto e o uso de outras técnicas de ampliação de dados e arquiteturas de redes neurais. |
