Deep learning para identificação de déficit hídrico em plantas com base em imagens térmicas

• Ano de defesa: 2021
• Autor(a) principal: Melo, Leonardo Leite de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Imagem termal; Irrigation management; Manejo de irrigação; Neural network; Redes Neurais; Thermal image; Transfer learning
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/11/11152/tde-26052021-144804/

O uso racional de recursos na agricultura ganhou importância nos últimos anos devido à necessidade de assegurar a sustentabilidade da produção agrícola, de forma a evitar consequências ambientais e até mesmo a iminência de escassez de recursos, como é o caso da água. Pela complexidade de estimar a resposta da planta à disponibilidade hídrica, uma técnica que vem obtendo grande importância é a utilização de imagens térmicas. Porém, o diagnóstico por imagens não é intuitivo e demanda do avaliador conhecimentos físico-químicos do solo e da planta, além de tempo e experiência. Devido a tal limitação, buscaram-se métodos computacionais que possam ser utilizados para realizar essa tarefa, estimando o estado hídrico de plantas a partir de imagens térmicas, suprindo a necessidade de um especialista. Para isso, duas técnicas de eficácia comprovada foram utilizadas: a rede Inception-Resnet-v2 e a técnica transfer learning. Experimentos foram realizados e os resultados obtidos mostram que o sistema de classificação do estresse hídrico na planta desenvolvido, com avaliação a partir da imagem térmica de modo não destrutivo, alcançou um desempenho superior em comparação à avaliação feita por especialista. Além disso, o desempenho foi superior na acurácia global, bem como em sua capacidade de distinguir entre as classes, demonstrando ser uma ferramenta eficaz para a realização de tal tarefa, demandando menor tempo.