Detalhes bibliográficos
Ano de defesa: |
2024 |
Autor(a) principal: |
Silva, Alysson Alexander Naves |
Orientador(a): |
Não Informado pela instituição |
Banca de defesa: |
Não Informado pela instituição |
Tipo de documento: |
Tese
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
Não Informado pela instituição
|
Palavras-chave em Português: |
|
Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-01082024-100347/
|
Resumo: |
O emprego da inteligência artificial na agricultura tem contribuído para o avanço do conhecimento no setor, por exemplo, o uso de Convolutional Neural Networks (CNN) para analisar imagens de raios X de grãos e pupas de insetos. Há uma crescente demanda por técnicas rápidas, que não necessitem aguardar o tempo de germinação de uma semente ou o tempo de emergência de adultos de pupas parasitadas no controle biológico de pragas; não destrutivas, sem a necessidade de alterar os aspectos físicos ou químicos dos grãos ou pupas, possibilitando inclusive a utilização da amostra pelo produtor/pesquisador; e precisas, não dependendo da visão humana para análise. Nesse contexto, a classificação de imagens de raios X por meio das CNNs, possibilita medir a quantidade de grãos infestados por pragas, assim como analisar pupas que foram parasitadas com sucesso. A avaliação da qualidade sanitária de grãos armazenados, por exemplo, tem grande importância econômica. Em muitos países, há uma tendência de tolerância zero para insetos de grãos armazenados. No entanto, a detecção precoce da praga Sitophilus zeamais, é difícil de ser realizada na prática, pois o desenvolvimento de ovos e larvas ocorre dentro dos grãos, sendo imperceptível ao olho humano. Desta forma, o desenvolvimento de um método sistemático e não destrutivo para analisar a qualidade desses grãos torna-se indispensável. Assim, três CNNs foram aplicadas na classificação de imagens de raios X para o reconhecimento de grãos infestados. Além desse estudo, a metodologia também foi aplicada na identificação de pupas parasitadas para o controle biológico de larvas da mosca-das-frutas, que causam a perda pré-matura de frutas. A produção em larga escala de pupas parasitas demanda métodos mais rápidos para avaliação da quantidade e qualidade de pupas parasitadas, otimizando por exemplo, atividades de liberação desses insetos nas lavouras. Entretanto, ao empregar métodos convencionais, é possível medir a taxa de pupas adultas aproximadamente 16 dias após a emergência. Esse tempo de espera pode resultar em desperdício de recursos. Uma maneira de acelerar a métrica de qualidade dos lotes de pupas e aumentar a precisão do processo de produção, seria combinar radiografia digital e métodos de aprendizado profundo para a classificação das pupas parasitadas. Foram avaliadas sete CNNs, e os modelos Inception-ResNet-v2, VGG19 e Xception destacaram-se frente aos demais. Nessa tese, foi proposta uma abordagem que consistiu em combinar os modelos de CNNs e avaliar a estratégia definida como MIN-i, que aciona um oráculo sempre que necessário. |