Sabiia Seb
PortuguêsEspañolEnglish
Embrapa
        Busca avançada

Botão Atualizar


Botão Atualizar

Ordenar por: RelevânciaAutorTítuloAnoImprime registros no formato resumido
Registros recuperados: 9
Primeira ... 1 ... Última
Imagem não selecionada

Imprime registro no formato completo
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
Imagem não selecionada

Imprime registro no formato completo
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 em periódico indexado (ALICE) 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
Imagem não selecionada

Imprime registro no formato completo
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 em periódico indexado (ALICE) 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
Imagem não selecionada

Imprime registro no formato completo
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 em periódico indexado (ALICE) 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
Imagem não selecionada

Imprime registro no formato completo
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
Imagem não selecionada

Imprime registro no formato completo
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: Artigo em anais de congresso (ALICE) Palavras-chave: Aprendizagem profunda; Visão computacional; Reconhecimento de padrões; Deep learning; Viticultura.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1085142
Imagem não selecionada

Imprime registro no formato completo
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 em periódico indexado (ALICE) 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
Imagem não selecionada

Imprime registro no formato completo
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: Artigo em anais de congresso (ALICE) 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
Imagem não selecionada

Imprime registro no formato completo
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: 9
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

Valid HTML 4.01 Transitional