Skip navigation
Please use this identifier to cite or link to this item: https://repositorio.unb.br/handle/10482/43328
Files in This Item:
File Description SizeFormat 
2022_AndrédaSilvaAbade.pdf55,35 MBAdobe PDFView/Open
Title: Estudo e análise de Redes Neurais Convolucionais Profundas na identificação de doenças em plantas por imagens
Authors: Abade, André da Silva
metadata.dc.contributor.email: andres.abade@gmail.com
Orientador(es):: Vidal, Flávio de Barros
Assunto:: Plantas - doenças e pragas
Nematóides
Rede Neurais Convolucionais (CNNs)
Imagens microscópicas
Issue Date: 4-Apr-2022
Citation: ABADE, André da Silva. Estudo e análise de Redes Neurais Convolucionais Profundas na identificação de doenças em plantas por imagens. 2022. 160 f., il. Tese (Doutorado em Sistemas Mecatrônicos) — Universidade de Brasília, Brasília, 2022.
Abstract: Rede Neurais Convolucionais (CNNs), demonstram um potencial para tarefas relacionadas à Visão Computacional. A característica de maior destaque das CNNs é sua capacidade de explorar a correlação espacial ou temporal nos dados. Assim, várias melhorias na metodologia e arquitetura de aprendizagem das redes foram realizadas para tornar as CNNs escaláveis para problemas grandes, heterogêneos, complexos e multiclasses. A agricultura delimita um escopo de problemas desafiadores, que carecem de tecnologias para proporcionar maior incremento na produção agrícola, principalmente em relação ao enfrentamento de doenças. As doenças de plantas são consideradas um dos principais fatores que influenciam a produção de alimentos, e a sua identificação é primordialmente realizada por técnicas manuais ou por microscopia, oque aumenta o tempo de diagnóstico e as possibilidades de erro. Soluções automatizadas de identificação de doenças de plantas, usando imagens e aprendizado de máquina, em especial as CNNs, têm proporcionado avanços significativos. Entretanto, a maioria das abordagens possui baixa capacidade de classificação, tendo como agravante as infestações simultâneas por diferentes patógenos e as confusões sintomáticas causadas por fatores abióticos. Assim, o objetivo deste trabalho é analisar e avaliar as arquiteturas CNNs, explorando potencialidades e prospectando novos arranjos de arquitetura para classificar doenças de plantas e identificar patógenos. A abordagem fez uso de uma estratégia de customização, na qual redes operativas independentes ou blocos convolucionais são integradas em um único modelo para capturar um conjunto mais variado de características. A NEMANeté um resultado relevante desta abordagem de customização de CNNs para classificação de fitonematoides em imagens microscópicas. O mo-delo alcançou a melhor taxa de acurácia atingindo 99,35%, possibilitando melhorias gerais de precisão superiores a 6,83% e 4,1%, para treinamento com inicialização dos pesos e para transferência de aprendizagem, em comparação com outras arquiteturas avaliadas. Os resultados demonstraram que a customização de arquiteturas CNNs é uma abordagem promissora para o aumento de ganhos em termo de acurácia, convergência das redes e tamanho dos modelos.
Abstract: Convolutional Neural Networks (CNNs) demonstrate a potential for computer vision tasks.The most prominent feature of CNNs is their ability to explore spatial or temporal correlationin the data. Thus, several improvements in the methodology and architecture of learning of thenetworks were made to make the CNNs scalable for large, heterogeneous, complex, and multi-class problems. Agriculture delimits a scope of challenging problems, which lack technologiesto increase agricultural production, especially about coping with diseases. Plant diseases areconsidered one of the main factors that influence food production, and their identification is pri-marily performed by manual techniques or microscopy, which increases the time of diagnosisand the possibility of errors. Using imaging and machine learning, especially CNNs, automatedplant disease identification solutions have provided significant advances. However, most appro-aches have low classification capacity, with simultaneous infestations by different pathogensand symptomatic confusion caused by abiotic factors as an aggravating factor. Thus, this workaims to analyze and evaluate CNN architectures, exploring potentialities and prospecting newarchitectural arrangements to classify plant diseases and identify pathogens. The approach useda customization strategy, in which independent operative networks or convolutional blocks areintegrated into a single model to capture a more varied set of characteristics. TheNEMANetis arelevant result of this CNN customization approach for the classification of phytonematodes inmicroscopic images. The model achieved the best accuracy rate reaching 99.35%, enabling ove-rall accuracy improvements greater than 6.83% and 4.1%, for weight initialization training andlearning transfer, compared to other evaluated architectures. The results showed that the custo-mization of CNN architectures is a promising approach to increase gains in terms of accuracy,the convergence of networks, and the size of the models
Description: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2022.
Licença:: A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.
Appears in Collections:ENM - Doutorado em Sistemas Mecatrônicos (Teses)

Show full item record Recommend this item " class="statisticsLink btn btn-primary" href="/handle/10482/43328/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.