Home Itens selecionados Provedores de dados OAI Créditos Sobre Ajuda

			Busca avançada
	Provedor de dados Repositório Alice (13) Infoteca-e (3) ArchiMer (2) REA (1) Autor BARBEDO, J. G. A. (6) CAMARGO NETO, J. (5) SOUZA, K. X. S. de (5) SANTOS, T. T. (4) TERNES, S. (4) KOENIGKAN, L. V. (3) YANO, I. H. (3) SANTOS, P. M. (2) ALBUQUERQUE, R. W. (1) ANGELOTTI, F. (1) ARAUJO, L. S. de (1) BALIEIRO, C. P. (1) BARRIOS, S. C. L. (1) BOCK, C. H. (1) BOHNENKAMP, D. (1) Barde, J. (1) Bonhommeau, Sylvain (1) CARROMEU, C. (1) CASTRO, G. B. (1) CAVALCANTI, F. R. (1) Mais... Palavra-chave Deep learning (19) Aprendizado profundo (10) Neural networks (8) Redes neurais (7) Visão computacional (5) Computer vision (4) Aprendizado de máquina (3) Aprendizagem profunda (3) Cattle (2) Citrus (2) Digital images (2) Doença de Planta (2) Image analysis (2) Machine learning (2) Photogrammetry (2) Plant diseases and disorders (2) Unmanned aerial vehicles (2) Accuracy (1) Action cameras (1) Acurácia (1) Mais... Tipo do documento Artigo de periódico (7) Anais e Proceedings de eventos (6) Text (2) Boletim de Pesquisa e Desenvolvimento (INFOTECA-E) (1) Folhetos (1) Info:eu-repo/semantics/article (1) Parte de livro (1) Mais... Ano 2022 (3) 2021 (4) 2020 (5) 2019 (4) 2018 (2) 2017 (1) Mais... País Brazil (17) France (2) Idioma Inglês (10) Português (9)		Ordenar por:  Relevância Autor Título Ano Registros recuperados: 19 Primeira ... 1 ... Última A NOVEL RAISIN SEGMENTATION ALGORITHM BASED ON DEEP LEARNING AND MORPHOLOGICAL ANALYSIS REA Zhao,Yun; Guindo,Mahamed L.; Xu,Xing; Shi,Xiang; Sun,Miao; He,Yong. ABSTRACT We propose a segmentation algorithm for raisin extraction. The proposed approach consists of the following aspects. Deep learning is used to predict the number of raisins in each connected region, and the shape features such as the roundness, area, X-axis value for the centroid, Y-axis value for the centroid, axis length and perimeter of each region will be used to establish the prediction model. Morphological analysis, based on edge parameters including the polar axis, polar angle and angular velocity, is applied to search for the suitable break points that are useful for identifying the dividing lines between two adjacent raisins. To make our segmentation more accurate, some machine-learning algorithms such as the random forest (RF), support... Tipo: Info:eu-repo/semantics/article Palavras-chave: Raisin extraction; Segmentation algorithm; Deep learning; Image analysis; Food quality grading. Ano: 2019 URL: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0100-69162019000500639 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 Annotated plant pathology databases for image-based detection and recognition of diseases. Repositório Alice BARBEDO, J. G. A.; KOENIGKAN, L. V.; HALFELD-VIEIRA, B. de A.; COSTA, R. V. da; NECHET, K. de L.; GODOY, C. V.; LOBO JUNIOR, M.; PATRÍCIO, F. R. A.; TALAMINI, V.; CHITARRA, L. G.; OLIVEIRA, S. A. S. de; ISHIDA, A. K. N.; FERNANDES, J. M. C.; SANTOS, T. T.; CAVALCANTI, F. R.; TERAO, D.; ANGELOTTI, F.. Over the last few years, considerable effort has been spent by Embrapa in the construction of a plant disease database representative enough for the development of effective methods for automatic plant disease detection and recognition. In October of 2016, this database, called PDDB, had 2326 images of 171 diseases and other disorders affecting 21 plant species. PDDB size, although considerable, is not enough to allow the use of powerful techniques such as deep learning. In order to increase its size, each image was subdivided according to certain criteria, increasing the number of images to 46,513. Both the original (PDDB) and subdivided (XDB)databases are now being made freely available for academic research purposes, thus supporting new studies and... Tipo: Artigo de periódico Palavras-chave: Patologia vegetal; Banco de dados; Aprendizagem profunda; Processamento de imagem; Deep learning; Doença de Planta; Plant pathology; Plant diseases and disorders; Databases; Image analysis. Ano: 2018 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1094883 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 COASTAL MAPPING AND KITESURFING ArchiMer Barde, J.; Bonhommeau, Sylvain; Chassot, E.; Motah, B.. ollecting data on aquatic biodiversity is very challenging because of the difficulty to access underwater ecosystems. Over the years, field surveys have become easier and cheaper with the development of low cost electronics. Commercial and recreational vessels, including sailboats, can now substantially complement expensive scientific surveys and arrays of observation buoys deployed across the world oceans (Pesant et al., 2015, Karsenti et al., 2011). Meanwhile, a large variety of marine animals such as birds, mammals, and fish have become data collection platforms for both biological and environmental parameters through the advent of archival tags. It becomes obvious that data collection in coastal and high seas will become more popular and that citizen... Tipo: Text Palavras-chave: Citizen science; Ocean and coastal observing systems; Surfing; Action cameras; Coral reef mapping; Photogrammetry; Deep learning; R. Ano: 2018 URL: http://archimer.ifremer.fr/doc/00450/56164/57712.pdf Convolutional Neural Networks to Estimate Dry Matter Yield in a Guineagrass Breeding Program Using UAV Remote Sensing. Repositório Alice OLIVEIRA, G. S. de; MARCATO JUNIOR, J.; POLIDORO, C.; OSCO, L. P.; SIQUEIRA, H.; RODRIGUES, L.; JANK, L.; BARRIOS, S. C. L.; VALLE, C.; SIMEÃO, R. M.; CARROMEU, C.; SILVEIRA, E.; JORGE, L. A. de C.; GONÇALVES, W.; SANTOS, M. F.; MATSUBARA, E.. Tipo: Artigo de periódico Palavras-chave: Deep learning; Forage dry matter yield; High-throughput phenotyping; Brazilian pasture; Pastures. Ano: 2021 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1134302 Deep Learning Approach for Forecasting Water Quality in IoT Systems ArchiMer Thai-nghe, Nguyen; Thanh-hai, Nguyen; Chi Ngon, Nguyen. Global climate change and water pollution effects have caused many problems to the farmers in fish/shrimp raising, for example, the shrimps/fishes had early died before harvest. How to monitor and manage quality of the water to help the farmers tackling this problem is very necessary. Water quality monitoring is important when developing IoT systems, especially for aquaculture and fisheries. By monitoring the real-time sensor data indicators (such as indicators of salinity, temperature, pH, and dissolved oxygen - DO) and forecasting them to get early warning, we can manage the quality of the water, thus collecting both quality and quantity in shrimp/fish raising. In this work, we introduce an architecture with a forecasting model for the IoT systems to... Tipo: Text Palavras-chave: Forecasting model; Deep learning; Long-Short Term Memory (LSTM); Water quality indicators. Ano: 2020 URL: https://archimer.ifremer.fr/doc/00646/75836/76830.pdf Estudo de métodos de aprendizagem profunda para reconhecimento de bagas de uva. Repositório Alice SANTOS, A. A. dos; SANTOS, T. T.. Resumo: Dois métodos de aprendizagem profunda (deep learning) para reconhecimento de frutos foram estudados. Foi utilizada uma base de dados de 1.830 imagens contando exemplos de bagas de uva e não uva manualmente anotadas. Os testes realizados demonstraram a identificação de bagas com 85% de precisão e de cobertura (recall) utilizando redes neurais convolutivas. Esses resultados melhoraram o método anteriormente proposto por Santos e Santos (2017) e demonstram a possibilidade de evolução de métodos que podem ser aplicados em campo. Tipo: Anais e Proceedings de eventos Palavras-chave: Aprendizagem profunda; Visão computacional; Reconhecimento de padrões; Deep learning; Pattern recognition.; Viticultura; Computer vision.. Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1085142 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 Iboju: uma ferramenta de anotação de imagens para treinamento de detectores. Repositório Alice FERREIRA SOBRINHO, P. A.; SANTOS, T. T.. RESUMO - A automação no contexto da agricultura é significativamente mais complexa do que em contextos urbanos e industriais. Devido à grande variabilidade das estruturas orgânicas, métodos cada vez mais complexos e rebuscados são necessários para um bom reconhecimento de padrões e detecção de imagens, tão necessários para a automação de processos produtivos de atividades ligadas à agropecuária. Contudo, devido à natureza das imagens naturais, existem poucas ferramentas capazes de anotá-las da forma desejada. Neste trabalho, desenvolvemos a Iboju, uma ferramenta de segmentação em imagem natural capaz de anotar, rápida e eficientemente, em imagens capturadas de ambientes naturais ligados à agropecuária, gerando caixas delimitadoras e máscaras do objeto... Tipo: Anais e Proceedings de eventos Palavras-chave: Segmentação; Aprendizagem profunda; Anotação de imagens; Agropecuária; Rede neural; Aprendizado de máquina; Deep learning; Segmentation; Image annotation; Neural networks. Ano: 2021 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1135134 Inovação no processo clássico de análise Morfométrica e caracterização de sementes de Espécies florestais: uso da tecnologia de visão Artificial. Infoteca-e SOUSA, R. de C. P. de; SMIDERLE, O. J.; COSTA, P. da. A tecnologia de visão artificial engloba uma série de métodos que podem ser empregados de forma individual ou integrados entre si para uso em várias áreas da ciência, principalmente em laboratórios, agilizando e inovando o processo de análises. No laboratório de sementes da Empresa Brasileira de Pesquisa Agropecuária, em Roraima, existe um instrumento com sistema semi-automatizado, que utiliza-se dessa tecnologia para análise de sementes e plântulas. Possibilita a obtenção de imagens de alta resolução e, coleta ao mesmo tempo, ampla gama de informações por semente. No entanto, o referido instrumento, veio configurado/calibrado de fábrica apenas para algumas espécies de grãos/sementes, como milho, soja, tabaco e trigo. Mas, aceita nova configuração para... Tipo: Parte de livro Palavras-chave: Deep learning; SAS-PRO; Imagens; Nova metodologia. Ano: 2022 URL: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1139497 Mapping key indicators of forest restoration in the Amazon using a low-cost drone and artificial intelligence. Repositório Alice ALBUQUERQUE, R. W.; VIEIRA, D. L. M.; FERREIRA, M. E.; SOARES, L. P.; OLSEN, S. I.; ARAUJO, L. S. de; VICENTE, L. E.; TYMUS, J. R. C.; BALIEIRO, C. P.; MATSUMOTO, M. H.; GROHMANN, C. H.. Na publicação: Luciana Spinelli Araujo. Tipo: Artigo de periódico Palavras-chave: Deep learning; Drones; Remotely piloted aircraft; RGB; Tree crown heterogeneity index; Tree species; Cecropia; Photogrammetry; Species diversity; Vismia. Ano: 2022 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1140126 Testando a rede neural YOLOv5 para detecção de frutos em pomares de laranja. Repositório Alice RIBEIRO, A. F.; SOUZA, K. X. S. de; CAMARGO NETO, J.; TERNES, S.; YANO, I. H.. Este trabalho, tem como objetivo analisar a viabilidade do emprego de algoritmos computacionais por meio de redes neurais e visão computacional no processo de contagem de frutos através de imagens digitais, em especial, a utilização da rede neural YOLOv5. Tipo: Anais e Proceedings de eventos Palavras-chave: Redes neurais; Visão computacional; Aprendizado de máquina; Aprendizado profundo; Rede yolov5; Detecção de objetos; Machine learning; Deep learning; Yolov5 network; Object detection; Orange; Neural networks; Computer vision. Ano: 2022 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1146123 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: 19 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