Sabiia Seb
PortuguêsEspañolEnglish
Embrapa
        Busca avançada

Botão Atualizar


Botão Atualizar

Ordenar por: RelevânciaAutorTítuloAnoImprime registros no formato resumido
Registros recuperados: 30
Primeira ... 12 ... Última
Imagem não selecionada

Imprime registro no formato completo
3DMCAP documentation: release 1.0. Infoteca-e
SANTOS, T. T..
This document is the user manual of a tool, 3DMCAP, developed by our Automation Group for photogrammetry using a single camera and a notebook computer. Our staff was able to use it to recover the three-dimensional structure of plants in greenhouses and in open fields, including vines, coffee trees, maize, sunflower, soybean eucalyptus trunks.
Tipo: Documentos (INFOTECA-E) Palavras-chave: Manual do usuário; Ferramenta 3DMCAP; Imagem digital; Visão computacional; Fotogrametria; Photogrammetry; Digital images; Image analysis; Computer vision.
Ano: 2018 URL: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1102027
Imagem não selecionada

Imprime registro no formato completo
A protocol for measuring canopy temperature of sugarcane plots in the field using a thermal imager embarked in an UAV. Repositório Alice
SANTOS, T. T.; CASARI, R. A. C. N.; OLIVEIRA, N. G.; DIAS, B. B. A.; KOBAYASHI, A. K.; MOLINARI, H. B. C.; SOUSA, C. A. F. de.
bitstream/item/173736/1/Proceedings-of-II-LAPhPB-pg.26.pdf
Tipo: Resumo em anais de congresso (ALICE) Palavras-chave: Thermography; Plant breeding; Drought tolerance; Remote sensing.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1088874
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
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 imag e 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; Imagem em processamento; Doença de Planta; Plant pathology; Plant diseases and disorders; Databases.
Ano: 2018 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1093944
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; Imagem em processamento; Doença de Planta; Plant pathology; Plant diseases and disorders; Databases.
Ano: 2018 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1097219
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 imag e 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; Imagem em processamento; Doença de Planta; Plant pathology; Plant diseases and disorders; Databases.
Ano: 2018 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1093910
Imagem não selecionada

Imprime registro no formato completo
Automatic 3D plant reconstruction from photographies, segmentation and classification of leaves and internodes using clustering. Repositório Alice
SANTOS, T. T.; UEDA, J..
Highlights: A stereo approach for 3D plant modelling is presented. Using only a set of photographies, the method produces a dense 3D point cloud that samples the plant surface. Clustering automatically segments the plant structure into meaningful parts, which are classified as leaves or internodes. Measurements can be computed for each element, as area or surface normals.
Tipo: Resumo em anais de congresso (ALICE) Palavras-chave: Modelagem de planta; Modelo de plantas; Reconstrução baseada em imagens; Models.
Ano: 2013 URL: http://www.alice.cnptia.embrapa.br/handle/doc/978995
Imagem não selecionada

Imprime registro no formato completo
Automatic grape bunch detection in vineyards based on affordable 3D phenotyping using a consumer webcam. Repositório Alice
SANTOS, T. T.; BASSOI, L. H.; OLDONI, H.; MARTINS, R. L..
bitstream/item/171151/1/P-Automatic-grape-bunch....pdf
Tipo: Artigo em anais de congresso (ALICE) Palavras-chave: Viticulture; Yeld estimation; Non invasive methods; 3D phenotyping; Multiple view stereo; SLAM.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1082882
Imagem não selecionada

Imprime registro no formato completo
Automatic grape bunch detection in vineyards based on affordable 3D phenotyping using a consumer webcam. Repositório Alice
SANTOS, T. T.; BASSOI, L. H.; OLDONI, H.; MARTINS, R. L..
This work presents a methodology for 3-D phenotyping of vineyards based on images captured by a low cost high-definition webcamera. A novel software application integrated visual odometry and multiple-view stereo components to create dense and accurate three-dimensional points clouds for vines, properly transformed to millimeter scale. Geometrical and color features of the points were employed by a classification procedure that reached 93% of accuracy on detecting points belonging to grapes. Individual bunches were automatically delimited and their volumes estimated. The sum of the estimated volumes per vine presented a coefficient of correlation of R = 0.99 to the real grape weight observed in each vine after harvesting.
Tipo: Artigo em anais de congresso (ALICE) Palavras-chave: Estimativa de podução; Métodos não-invasivos; Fenotipagem 3D; Visão estéro múltipla; Simultaneous localization and mapping; Yield estimation; Non-invasive methods; 3-D phenotyping; Multiple view stereo; Viticultura; Videira; Viticulture; Phenotype.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1083291
Imagem não selecionada

Imprime registro no formato completo
Detecção automática de bagas de café em imagens de campo. Repositório Alice
SANTOS, T. T..
O presente trabalho propõe um método para detecçãao automática de bagas em imagens de cafeeiros tomadas em campo sob luz ambiente.
Tipo: Artigo em anais de congresso (ALICE) Palavras-chave: Aprendizado de máquina; Imagem digital; Machine learning; Café; Visão computacional; Fruticultura; Image analysis; Fruit growing; Artificial intelligence; Computer vision.
Ano: 2015 URL: http://www.alice.cnptia.embrapa.br/handle/doc/1027251
Imagem não selecionada

Imprime registro no formato completo
Detecção automática de uvas e folhas em viticultura com uma rede neural YOLOv2. Repositório Alice
SANTOS, A. A. dos; AVILA, S.; SANTOS, T. T..
RESUMO - Neste trabalho, o problema de detecção de frutas e folhas em viticultura para aplicações envolvendo sensoriamento próximo foi modelado como um problema de aprendizado supervisionado de máquina. Uma base de dados foi criada e manualmente anotada a partir de imagens obtidas em abril de 2017 na Vinícola Guaspari. No total são 11.883 imagens contendo exemplos de cachos de uvas e folhas. Uma rede convolutiva com arquitetura YOLOv2 foi treinada para localização e classificação de cachos e folhas. Testes quantitativos demonstraram resultados para a detecção e classificação com precisão de 100%, revocação de até 74,2% e F1-Score de 85,2% para classe "uva" e precisão de 100%, revocação de até 67,9% e F1-Score de 80,9% para a classe "folha". Testes...
Tipo: Artigo em anais de congresso (ALICE) Palavras-chave: Detecção de frutos; Reconhecimento de Imagens; Aprendizagem profunda; Aprendizado de máquina; Redes neurais; Aprendizado supervisionado; Image Recognition; Fruit detection; Deep Learning; Learning machine; Viticultura; Viticulture; Neural networks.
Ano: 2018 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1096173
Imagem não selecionada

Imprime registro no formato completo
Detecção de frutos em campo por aprendizado de máquina. Repositório Alice
SANTOS, A. A. dos; SANTOS, T. T..
RESUMO - Métodos de reconhecimento de frutos utilizando diferentes descritores e classificadores foram estudados. Uma base de dados de 1.830 imagens contendo exemplos de bagas de uva e outros padrões foi criada e manualmente anotada. Testes quantitativos demonstraram a identificação automática de bagas de uva com 79% de precisão através da utilização Máquinas de Vetores de Suporte com descritores HOG (Histograma de Gradientes Orientados). Esses resultados evidenciam que a detecção automática de frutos em viticultura possível e pode ser aplicada em metodologias de previsão de safra e em sistemas de agricultura de precisão.
Tipo: Artigo em anais de congresso (ALICE) Palavras-chave: Aprendizado de máquina; Reconhecimento de imagens; Image recognition; Uva; Viticultura; Artificial intelligence; Learning machine; Image analysis; Viticulture.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1077535
Imagem não selecionada

Imprime registro no formato completo
Development of a protocol aiming at the estimation of pigment contents in maize leaves by hyperspectral remote sensing. Repositório Alice
CASARI, R. A. C. N.; SILVA, V. N. B.; FERREIRA, T. M. M.; SANTOS, T. T.; DIAS, B. B. A.; KOBAYASHI, A. K.; MOLINARI, H. B. C.; SOUZA JUNIOR, M. T.; SOUSA, C. A. F. de.
The goal of this study was to develop and validate a protocol for the estimation of photosynthetic pigment contents in maize leaves using algorithms derived from hyperspectral images generated from visible to the infrared region of the electromagnetic spectrum.
Tipo: Resumo em anais de congresso (ALICE) Palavras-chave: Milho; Clorofila; Carotenoide; Pigmento; Zea mays; Chlorophyll; Carotenoids; Drought stress; Water stress.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1077420
Imagem não selecionada

Imprime registro no formato completo
Development of a protocol aiming at the estimation of pigment contents in maize leaves by hyperspectral remote sensing. Repositório Alice
CASARI, R. A. das C. N.; SOUSA, C. A. F. de; SANTOS, T. T.; KOBAYASHI, A. K.; MOLINARI, H. B. C.; SOUZA JUNIOR, M. T.; DIAS, B. B. A.; FERREIRA, T. M. M.; SILVA, V. N. B..
bitstream/item/173705/1/Hugo-et-al-I09.pdf
Tipo: Resumo em anais de congresso (ALICE) Palavras-chave: Zea mays; Chlorophyll; Carotenoids; Drougth stress.
Ano: 2017 URL: http://www.alice.cnptia.embrapa.br/alice/handle/doc/1088844
Imagem não selecionada

Imprime registro no formato completo
Digitalização 3D de plantas por imagem para análise de arquitetura e fenótipo. Infoteca-e
SANTOS, T. T..
Introdução. Digitalização de plantas. Varredura a laser. Digitalização de plantas por visão estéreo. Noções básicas de visão estéreo. Reconstrução estéreo de plantas. Avanços recentes em reconstrução 3D de objetos. Resultados preliminares utilizando visão estéreo.
Tipo: Documentos (INFOTECA-E) Palavras-chave: Imagem digital; Computação gráfica; Digitalização de planta; Modelo 3D; Arquitetura de planta; Digital images; Plant architecture; Computer graphics.
Ano: 2011 URL: http://www.infoteca.cnptia.embrapa.br/handle/doc/923089
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
Fenotipagem de plantas em larga escala: um novo campo de aplicação para a visão computacional na agricultura. Repositório Alice
SANTOS, T. T.; YASSITEPE, J. E. de C. T..
O presente capítulo apresenta uma visão geral dos avanços recentes na fenotipagem em larga escala (Seção 2) e como a visão computacional surge como ferramenta para a caracterização fenotípica não-destrutiva da parte aérea de plantas (Seção 3). O capítulo se encerra (Seção 4) apresentando cenários futuros de pesquisa nessa área.
Tipo: Capítulo em livro científico (ALICE) Palavras-chave: Visão computacional; Digitalização de plantas; Fenotipagem de plantas; Análise de imagens; Computer vision; Image analysis; Phenotype.
Ano: 2014 URL: http://www.alice.cnptia.embrapa.br/handle/doc/1010708
Imagem não selecionada

Imprime registro no formato completo
Image-based 3D digitizing for plant architecture analysis and phenotyping. Repositório Alice
SANTOS, T. T.; OLIVEIRA, A. A. de..
Abstract-Functional-structural plant modeling and plant phenotyping require the measurement of geometric features in specimens. This data acquisition is called plant digitizing. Actually, these measurements are performed manually, in invasive or even destructive ways, or using expensive laser scanning equipment. Computer vision based 3D reconstruction is an accurate and low cost alternative for the digitizing of plants not presenting a dense canopy. Sparse canopies are found in several important annual plants in agriculture as soybean and maize, at least in their early stages of development. This paper shows as the state of the art in structure from motion and multiple view stereo is able to produce accurate 3D models for specimens presenting sparse...
Tipo: Artigo em anais de congresso (ALICE) Palavras-chave: Arquitetura de planta; Fenotipagem; Modelagem; Plant architecture; Models.
Ano: 2012 URL: http://www.alice.cnptia.embrapa.br/handle/doc/948383
Imagem não selecionada

Imprime registro no formato completo
Introdução à computação científica com SciPy. Infoteca-e
SANTOS, T. T..
O presente material se originou em um tutorial sobre computação científica com Python regularmente oferecido pelo autor na Embrapa Informática Agropecuária, na forma de um curso introdutório com um dia de duração. Texto e tutorial são inspirados nas Python scientific lecture notes (HAENEL et al., 20132) e fortemente recomendadas ao leitor interessado no tema.
Tipo: Documentos (INFOTECA-E) Palavras-chave: Computação científica; Linguagem Python.
Ano: 2014 URL: http://www.infoteca.cnptia.embrapa.br/handle/doc/1012368
Imagem não selecionada

Imprime registro no formato completo
Memórias do XI Congresso Brasileiro de Agroinformática: SBIAgro 2017. Infoteca-e
MOURA, M. F.; ROMANI, L. A. S.; BARBEDO, J. G. A.; SANTOS, T. T..
Estas memórias são o registro do XI Congresso Brasileiro de Agroinformática (SBI-Agro 2017), promovido pela Embrapa Informática Agropecuária e pela Universidade Estadual de Campinas (Unicamp) por meio da Faculdade de Engenharia Agrícola, Instituto de Computação e Centro de Pesquisas Meteorológicas e Climáticas Aplicadas à Agricultura.
Tipo: Documentos (INFOTECA-E) Palavras-chave: Memórias; Agroinformática; Congresso.
Ano: 2018 URL: http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/1103177
Registros recuperados: 30
Primeira ... 12 ... 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