Diagnóstico de níveis de nitrogênio em folhas de feijão utilizando visão computacional e redes neurais artificiais

• Ano de defesa: 2018
• Autor(a) principal: Guidolin, Leonardo Gomes
• Orientador(a): Luchese, Augusto Vaghetti
• Banca de defesa: Luchese, Augusto Vaghetti, Menezes, Paulo Lopes de, Andrade, Mauricio Guy de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Medianeira
• Programa de Pós-Graduação: Programa de Pós-Graduação em Tecnologias Computacionais para o Agronegócio
• País: Brasil
• Palavras-chave em Português: Redes neurais (Computação); Linguagem de programação (Computadores); Feijão-comum; Neural networks (Computer science); Programming languages (Electronic computers); Common bean
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS)
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/3452

A nutrição de nitrogênio na cultura do feijão é importante para garantir uma boa produtividade, porém as formas de detecção desses níveis (análise química e visual) são lentas ou dependem de um profissional experiente, portanto o objetivo deste trabalho consiste diagnosticar os níveis de nitrogênio através de Visão Computacional e Redes Neurais Artificiais (RNA). Foram cultivados feijoeiros em uma casa de vegetação contendo 5 doses diferentes de nitrogênio, 50, 100, 150, 200 e 250 mg L-1. Os dados coletados das plantas foram teores de clorofila por meio de clorofilômetro, teores de nitrogênio em mg L-1 e imagens das folhas, sendo estas realizadas em dois momentos do desenvolvimento da planta 45 e 58 dias após a semeadura, para se realizar o diagnóstico utilizou-se três métodos de extração de características nas imagens das folhas: Grey Level Coocurrence Matrix (GLCM), Estatístico sem texturização e Local Binary Pattern (LBP). Por fim os dados gerados pelos métodos anteriores foram utilizados para o treinamento e teste de Redes Neurais Artificiais (RNA) Multilayer Perceptron para regressão e posteriormente classificação dos níveis de nitrogênio. Este trabalho demonstrou que os três métodos são promissores dependendo da situação, porém a combinação dos três métodos juntamente com uma seleção de atributos obtem-se resultados melhores na diagnose de nitrogênio.