EVENTOS Mostra Interna de Trabalhos de Iniciação Científica XII Mostra Interna de Trabalhos de Iniciação Científica e V Mostra Interna de Iniciação em Desenvolvimento Tecnológico e Inovação

Tipo:	Artigo de Evento
Título:	REDES NEURAIS APLICADAS PARA A IDENTIFICAÇÃO DE FERRUGEM EM FOLHAS DE FEIJOEIRO
Autor(es):	Wogeneack, Taís Maria
Resumo:	Os estudos sobre redes neurais têm como objetivo principal desenvolver modelos computacionais inspirados no funcionamento do cérebro humano, capazes de aprender e resolver uma variedade de tarefas complexas. No contexto da identificação de imagens, as redes neurais desempenham um papel crucial devido à sua capacidade de extrair padrões e características relevantes das imagens, possibilitando a classificação, detecção e reconhecimento de objetos. Na agricultura, essas tecnologias são fundamentais para a agricultura de precisão, onde a identificação precisa e oportuna de doenças pode melhorar significativamente a produtividade, além de contribuir para a redução do uso indiscriminado de defensivos, favorecendo práticas agrícolas mais sustentáveis. A aplicação específica desta tecnologia no presente projeto é a detecção do fungo Uromyces appendiculatus, causador da ferrugem em folhas de feijoeiro. A detecção precoce da presença desse fungo permite a implementação de medidas de controle no momento adequado, promovendo o aumento da produtividade e a eficiência na gestão dos custos associados ao controle de pragas. O foco na identificação de uma doença específica, como a ferrugem em folhas de feijoeiro, busca explorar as tecnologias de redes neurais de forma aprofundada, estabelecendo um modelo robusto que, no futuro, poderá ser adaptado para identificar uma variedade maior de doenças. Essa abordagem possibilitará a implementação da identificação de múltiplas doenças em diferentes culturas, ampliando a abrangência e a eficácia das soluções de agricultura de precisão. Objetivo: Este estudo visa investigar e comparar diferentes arquiteturas de redes neurais convolucionais para a identificação de doenças em plantas, com foco especial na ferrugem em folhas de feijoeiro. Além disso, será avaliado o desempenho de diversas técnicas de treinamento dessas redes, incluindo métodos de ampliação de dados, na precisão da classificação de imagens de folhas afetadas por doenças. Metodologia: Este estudo adotou uma abordagem experimental para investigar e comparar diferentes métodos de redes neurais convolucionais na identificação de doenças em plantas. A metodologia incluiu a coleta de dados, a implementação e o treinamento dos modelos, e a análise dos resultados. Foram obtidas imagens de folhas de feijoeiro afetadas por doenças a partir de bases de dados públicas e privadas, além de uma coleta ativa realizada por técnicos agrícolas. A seleção das imagens considerou a diversidade dos dados, os estágios de desenvolvimento, as condições de iluminação e os ângulos de câmera, visando garantir uma amostra representativa. Na implementação e treinamento dos modelos, foram utilizados algoritmos de redes neurais convolucionais implementados com frameworks de aprendizado profundo. Os modelos foram treinados com as imagens coletadas e diversos experimentos foram conduzidos para comparar diferentes arquiteturas de rede e técnicas de treinamento, incluindo métodos de ampliação de dados. Os resultados foram analisados utilizando métricas de desempenho típicas para problemas de classificação de imagens, como acurácia, sensibilidade, especificidade e matriz de confusão. Métodos estatísticos, como testes de hipóteses e análise de variância, foram aplicados para comparar o desempenho dos diferentes métodos investigados e validar os resultados obtidos. Resultados Esperados: Os resultados esperados deste estudo incluem um alto desempenho dos modelos desenvolvidos na classificação de imagens de folhas afetadas por diversas doenças, demonstrando precisão e robustez na detecção das características distintivas de cada condição patológica. Espera-se que os modelos sejam capazes de identificar com clareza as manifestações visuais das doenças, evidenciando a eficácia das redes neurais convolucionais (CNNs) na tarefa de diagnóstico. Os testes realizados também permitirão avaliar a eficácia das técnicas de ampliação de dados aplicadas durante o treinamento. A ampliação de dados é crucial para permitir que os modelos lidem com uma maior variedade de condições de aquisição de imagens, como variações de iluminação e diferentes ângulos de câmera, além de melhorar a capacidade dos modelos de reconhecer padrões em imagens de plantas em diferentes estágios de desenvolvimento da doença. Uma análise comparativa entre diferentes arquiteturas de redes neurais convolucionais será realizada para identificar qual estrutura oferece o melhor desempenho na identificação de doenças em plantas. Esta análise ajudará a determinar a arquitetura mais adequada para o problema específico em questão, otimizando a precisão da detecção e a eficiência geral do sistema. Os resultados obtidos serão documentados de forma detalhada, incluindo métricas de desempenho, como acurácia, sensibilidade e especificidade, além de gráficos de visualização e análises qualitativas das classificações realizadas pelos modelos. Espera-se que essas informações forneçam insights valiosos sobre a eficácia das abordagens investigadas e sobre o funcionamento das diferentes arquiteturas e técnicas de treinamento aplicadas. Finalmente, os resultados deste estudo têm o potencial de contribuir significativamente para o avanço da pesquisa em agricultura de precisão, oferecendo métodos e ferramentas eficazes para a identificação precoce e precisa de doenças em plantas. Isso pode resultar em práticas agrícolas mais sustentáveis e eficientes, com a redução de perdas e o aumento da produtividade nas culturas de feijoeiro. A aplicação bem-sucedida dessas técnicas pode transformar a maneira como as doenças são monitoradas e tratadas, promovendo um manejo mais proativo e informado das culturas agrícolas.
Palavras-chave:	Redes Neurais Análise de Imagens Feijão Ferrugem Agricultura de Precisão
Idioma:	por
País:	Brasil
Editor:	UNIVERSIDADE CESUMAR
Sigla da Instituição:	UNICESUMAR
Tipo de Acesso:	Acesso Aberto
URI:	http://rdu.unicesumar.edu.br/handle/123456789/11750
Data do documento:	19-Fev-2025
Aparece nas coleções:	XII Mostra Interna de Trabalhos de Iniciação Científica e V Mostra Interna de Iniciação em Desenvolvimento Tecnológico e Inovação

Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.