Home Itens selecionados Provedores de dados OAI Créditos Sobre Ajuda

			Busca avançada
	Provedor de dados Repositório Alice (8) Infoteca-e (2) Autor BARBEDO, J. G. A. (6) CAMARGO NETO, J. (4) SOUZA, K. X. S. de (4) TERNES, S. (3) DEL PONTE, E. M. (2) KOENIGKAN, L. V. (2) SANTOS, P. M. (2) YANO, I. H. (2) BOCK, C. H. (1) BOHNENKAMP, D. (1) CASTRO, G. B. (1) CERQUEIRA, L. M. (1) GONÇALVES, J. P. (1) MAHLEIN, A. K. (1) PINTO, F. A. C. (1) QUEIROS, L. R. (1) QUEIROZ, D. M. (1) SANTOS, T. T. (1) SOUSA, M. A. de (1) VILLAR, F. M. M. (1) Mais... Palavra-chave Aprendizado profundo (10) Deep learning (9) Neural networks (7) Redes neurais (6) Computer vision (3) Visão computacional (3) Aprendizado de máquina (2) Artificial intelligence (2) Cattle (2) Citrus (2) Convolutional neural network (2) Digital images (2) Doença de Planta (2) Inteligência artificial (2) Machine learning (2) Plant diseases and disorders (2) Unmanned aerial vehicles (2) Accuracy (1) Acurácia (1) Agricultura (1) Mais... Tipo do documento Artigo de periódico (5) Anais e Proceedings de eventos (3) Boletim de Pesquisa e Desenvolvimento (INFOTECA-E) (1) Folhetos (1) Ano 2021 (3) 2020 (4) 2019 (3) País Brazil (10) Idioma Inglês (5) Português (5)		Ordenar por:  Relevância Autor Título Ano Registros recuperados: 10 Primeira ... 1 ... Última A study on CNN-based detection of psyllids in sticky traps using multiple image data sources. Repositório Alice BARBEDO, J. G. A.; CASTRO, G. B.. Abstract: Deep learning architectures like Convolutional Neural Networks (CNNs) are quickly becoming the standard for detecting and counting objects in digital images. However, most of the experiments found in the literature train and test the neural networks using data from a single image source, making it difficult to infer how the trained models would perform under a more diverse context. The objective of this study was to assess the robustness of models trained using data from a varying number of sources. Nine different devices were used to acquire images of yellow sticky traps containing psyllids and a wide variety of other objects, with each model being trained and tested using different data combinations. The results from the experiments were used... Tipo: Artigo de periódico Palavras-chave: Aprendizado profundo; Robustez de modelo; Variedade de dados; Redes neurais; Redes Neurais Convolucionais; Citrus huanglongbing; HLB; Imagens digitais; Deep learning; Model robustness; Data variety; Convolutional Neural Networks; Citrus; Neural networks; Digital images. Ano: 2020 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1125315 A study on the detection of cattle in UAV images using deep learning. Repositório Alice BARBEDO, J. G. A.; KOENIGKAN, L. V.; SANTOS, T. T.; SANTOS, P. M.. Abstract: Unmanned aerial vehicles (UAVs) are being increasingly viewed as valuable tools to aid the management of farms. This kind of technology can be particularly useful in the context of extensive cattle farming, as production areas tend to be expansive and animals tend to be more loosely monitored. With the advent of deep learning, and convolutional neural networks (CNNs) in particular, extracting relevant information from aerial images has become more effective. Despite the technological advancements in drone, imaging and machine learning technologies, the application of UAVs for cattle monitoring is far from being thoroughly studied, with many research gaps still remaining. In this context, the objectives of this study were threefold: (1) to... Tipo: Artigo de periódico Palavras-chave: Veículo aéreo não tripulado; Redes neurais; Drone; Aprendizado profundo; Convolutional neural networks; Deep learning; Canchim breed; Nelore breed; Gado de Corte; Gado Canchim; Gado Nelore; Cattle; Unmanned aerial vehicles. Ano: 2019 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1116449 Cattle detection using oblique UAV images. Repositório Alice BARBEDO, J. G. A.; KOENIGKAN, L. V.; SANTOS, P. M.. The evolution in imaging technologies and artificial intelligence algorithms, coupled with improvements in UAV technology, has enabled the use of unmanned aircraft in a wide range of applications. The feasibility of this kind of approach for cattle monitoring has been demonstrated by several studies, but practical use is still challenging due to the particular characteristics of this application, such as the need to track mobile targets and the extensive areas that need to be covered in most cases. The objective of this study was to investigate the feasibility of using a tilted angle to increase the area covered by each image. Deep Convolutional Neural Networks (Xception architecture) were used to generate the models for animal detection. Three experiments... Tipo: Artigo de periódico Palavras-chave: Redes neurais; Redes neurais convolucionais; Aprendizado profundo; Veículos aéreos não tripulados; Convolutional neural network; Deep learning; Gado; Unmanned aerial vehicles; Cattle. Ano: 2020 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1127885 Deep learning architectures for semantic segmentation and automatic estimation of severity of foliar symptoms caused by diseases or pests. Repositório Alice GONÇALVES, J. P.; PINTO, F. A. C.; QUEIROZ, D. M.; VILLAR, F. M. M.; BARBEDO, J. G. A.; DEL PONTE, E. M.. Colour-thresholding digital imaging methods are generally accurate for measuring the percentage of foliar area affected by disease or pests (severity), but they perform poorly when scene illumination and background are not uniform. In this study, six convolutional neural network (CNN) architectures were trained for semantic segmentation in images of individual leaves exhibiting necrotic lesions and/or yellowing, caused by the insect pest coffee leaf miner (CLM), and two fungal diseases: soybean rust (SBR) and wheat tan spot (WTS). All images were manually annotated for three classes: leaf background (B), healthy leaf (H) and injured leaf (I). Precision, recall, and Intersection over Union (IoU) metrics in the test image set were the highest for B, followed... Tipo: Artigo de periódico Palavras-chave: Aprendizado profundo; Fitopatometria; Inteligência artificial; Aprendizado de máquina; Rede neural convolucional; Segmentação de imagem; Phytopathometry; Machine learning; Convolutional neural network; Image segmentation; Doença de Planta; Artificial intelligence; Plant diseases and disorders; Neural networks. Ano: 2021 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1134326 Fluxo de trabalho para o treinamento de modelos de aprendizado profundo dedicados a problemas da agricultura. Infoteca-e BARBEDO, J. G. A.. Resumo - Com o surgimento do aprendizado profundo, redes neurais novamente se tornaram opções vantajosas para lidar com uma variedade de problemas de classificação, especialmente quando imagens digitais estão envolvidas. A popularização desse tipo de técnica deu origem a uma comunidade ativa que tornou pública a maior parte das arquiteturas de aprendizado profundo desenvolvidas até o momento. Documentações completas e tutoriais detalhados associados a essas arquiteturas garantem que qualquer pessoa com conhecimentos básicos de programação é capaz de realizar os experimentos sem muito esforço. Como resultado, houve uma explosão no número de artigos aplicando aprendizado profundo a uma ampla gama de problemas. Apesar dos excelentes resultados alcançados por... Tipo: Folhetos Palavras-chave: Aprendizado profundo; Redes neurais; Classificação; Deep learning; Training; Agricultura; Agriculture; Neural networks; Classification. Ano: 2021 URL: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1137938 From visual estimates to fully automated sensor-based measurements of plant disease severity: status and challenges for improving accuracy. Repositório Alice BOCK, C. H.; BARBEDO, J. G. A.; DEL PONTE, E. M.; BOHNENKAMP, D.; MAHLEIN, A. K.. Abstract. The severity of plant diseases, traditionally the proportion of the plant tissue exhibiting symptoms, is a key quantitative variable to know for many diseases and is prone to error. Good quality disease severity data should be accurate (close to the true value). Earliest quantification of disease severity was by visual estimates. Sensor-based image analysis including visible spectrum and hyperspectral and multispectral sensors are established technologies that promise to substitute, or complement visual ratings. Indeed, these technologies have measured disease severity accurately under controlled conditions but are yet to demonstrate their full potential for accurate measurement under field conditions. Sensor technology is advancing rapidly, and... Tipo: Artigo de periódico Palavras-chave: Inteligência artificial; Aprendizado de máquina; Dispositivo móvel; Tecnologias digitais; Aprendizado profundo; Precisão; Acurácia; Severidade da doença; Machine learning; Assessment; Sensor; Mobile device; Digital technologies; Deep learning; Phenotyping; Doença de Planta; Precision agriculture; Plant diseases and disorders; Artificial intelligence; Disease severity; Accuracy; Precision. Ano: 2020 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1122199 Usando a rede neural Faster-RCNN para identificar frutos verdes em pomares de laranja. Repositório Alice CERQUEIRA, L. M.; SOUZA, K. X. S. de; TERNES, S.; CAMARGO NETO, J.. Resumo - O Brasil é um país altamente dependente de sua agropecuária para a geração de Produto Interno Bruto (PIB). Entre os produtos de sua agricultura se destaca o de cultivo da laranja e seus derivados, responsável por uma grande taxa de geração de renda e empregos no País, principalmente no triângulo mineiro e São Paulo. Este trabalho descreve o processamento de imagens digitais de frutos em árvores por meio de técnicas de visão computacional e aprendizado de máquina. Essa técnica tem potencial para, no futuro, auxiliar no processo de estimativa de produção, utilizado por produtores na formulação de estratégias e planejamento de vendas. Tipo: Anais e Proceedings de eventos Palavras-chave: Visão computacional; Redes neurais; Aprendizado profundo; Árvores de laranja; Faster-RCNN; Deep learning; Computer vision; Neural networks. Ano: 2020 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1127731 Usando a rede neural SSD para identificar frutos verdes em pomares de laranja. Repositório Alice SOUSA, M. A. de; SOUZA, K. X. S. de; CAMARGO NETO, J.; TERNES, S.; YANO, I. H.. RESUMO - A agropecuária é uma das mais importantes fontes de riqueza no Brasil. Dentro desse contexto, se destaca o cultivo das laranjas, principalmente na região de São Paulo e do Triângulo Mineiro. Infelizmente, o processo de estimativa da quantidade de frutos é custoso, assim, essa pesquisa tem como objetivo analisar por meio de visão computacional e de aprendizado profundo se essas técnicas geram resultados satisfatórios para identificar os frutos por fotografias. Caso apresente um bom desempenho, esta tecnologia poderá ser utilizada para prever a quantidade de laranjas em árvores. Tipo: Anais e Proceedings de eventos Palavras-chave: Visão computacional; Redes neurais; Aprendizado profundo; Rede SSD; Cultura da laranja; Deep learning; SSD network; Computer vision; Neural networks. Ano: 2021 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135159 Uso de redes neurais convolucionais para detecção de laranjas no campo. Repositório Alice CAMARGO NETO, J.; TERNES, S.; SOUZA, K. X. S. de; YANO, I. H.; QUEIROS, L. R.. RESUMO. A laranja e seus derivados são um dos principais produtos do agronegócio brasileiro, além de uma das cadeias produtivas que mais emprega mão de obra por hectare, o que mostra o alto grau de impacto econômico e social desta cultura para o país. Uma estimativa de produção eficiente pode auxiliar os produtores tanto no manejo de sua lavoura quanto na adoção de estratégias de vendas com a indústria. Este trabalho descreve o processo de treinamento e teste de uma rede neural de aprendizado profundo para a detecção e contagem de frutos verdes a partir de imagens digitais de pés de laranja obtidas no campo. Os resultados para as imagens de teste apresentaram índice de mais de 90% de precisão, com cerca de 90% de revocação para a rede neural. Isso indica... Tipo: Anais e Proceedings de eventos Palavras-chave: Visão computacional; Aprendizado profundo; Rede neural de aprendizado profundo; Yolo-v3; Citros; Imagem digital; Contagem de frutos verdes; Deep learning; Laranja; Computer vision; Neural networks; Digital images; Citrus. Ano: 2019 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1125722 Uso de redes neurais multicamadas para classificação de perfis de solos. Infoteca-e SOUZA, K. X. S. de; CAMARGO NETO, J.. Resumo - O processo de classificação de solos executado por especialistas é uma tarefa laboriosa, que envolve várias etapas de coleta e a aplicação de regras de classificação de acordo com o Manual do Sistema Brasileiro de Classificação de Solos (SiBCS). Este trabalho relata a aplicação de redes neurais do tipo perceptron multicamadas na classificação de solos, nos níveis categóricos 1 a 4. Os dados de perfis de solo utilizados vieram de uma base de dados do Instituto Brasileiro de Geografia e Estatística (IBGE). A otimiza-ção da função de custo de entropia cruzada, usada no treinamento da rede neural, foi realizada por meio do algoritmo de stochastic gradient descent. As redes apresentaram resultados de acurácia que variam de 63,38 a 27,79, tendo o valor... Tipo: Boletim de Pesquisa e Desenvolvimento (INFOTECA-E) Palavras-chave: Redes neurais multicamadas; Perceptron multicamadas; Classificação de solos; Aprendizado profundo; Amostras de solo; Deep learning; Neural networks; Soil classification. Ano: 2019 URL: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1116239 Registros recuperados: 10 Primeira ... 1 ... Última

Empresa Brasileira de Pesquisa Agropecuária - Embrapa Todos os direitos reservados, conforme Lei n° 9.610 Política de Privacidade Área restrita		Embrapa Parque Estação Biológica - PqEB s/n° Brasília, DF - Brasil - CEP 70770-901 Fone: (61) 3448-4433 - Fax: (61) 3448-4890 / 3448-4891 SAC: https://www.embrapa.br/fale-conosco