Use este identificador para citar ou linkar para este item:
https://repositorio.unifei.edu.br/jspui/handle/123456789/4008
Tipo: | Dissertação |
Título: | Identificação de bicho-mineiro e ferrugem no cafeeiro utilizando processamento digital de imagens e redes neurais convolucionais |
Autor(es): | VENTURA, Charly Braga |
Primeiro Orientador: | IZIDORO, Sandro Carvalho |
metadata.dc.contributor.advisor-co1: | RODRIGUES, Érick Oliveira |
Resumo: | A demanda do mundo por café aumenta a cada ano, atingindo, no período de 2022- 2023, 178,5 milhões de sacas de 60 kg, um aumento de 1,7% em relação ao período anterior de 2021-2022. A produção total da safra de café do Brasil no ano de 2022 foi calculada em 50,92 milhões de sacas de 60 kg de café beneficiado1, tornando assim o maior produtor mundial do produto. Com esse volume de produção, há uma necessidade crescente de melhoria da qualidade do produto devido às exigências dos mercados nacional e internacional. Porém, pragas como o bicho-mineiro e a ferrugem causam grandes danos em plantações de café, resultando em perdas da cultura anualmente. Vários métodos e técnicas vêm sendo desenvolvidas e aplicadas para avaliação do nível de infestação e controle destas pragas. Entre essas técnicas estão o uso de visão computacional e rede neural convolucional (CNN). Assim, o objetivo deste trabalho foi o desenvolvimento de ferramentas computacionais para identificar corretamente a presença de pragas, reduzindo o tempo de avaliação, o erro do avaliador e os gastos com mão de obra. As acurácias desses métodos desenvolvidos ficaram entre 99,67% e 97,00%. Além disso, foi desenvolvida uma ferramenta para quantificar o grau de infestação, alcançando uma acurácia de 86,67%. |
Abstract: | The world’s demand for coffee increases every year, reaching 178.5 million 60 kg bags in the period 2022-2023, an increase of 1.7% compared to the previous period 2021-2022. The total production of Brazil’s coffee harvest in 2022 was calculated at 50.92 million bags of 60 kg of processed coffee 2, thus making it the world’s largest producer of the product. With this production volume, there is a growing need to improve product quality due to the demands of national and international markets. However, pests such as leaf miner and rust cause extensive damage to coffee plantations, resulting in crop losses annually. Various methods and techniques have been developed and applied to assess the level of infestation and control of these pests. Among these techniques are the use of computer vision and convolutional neural networks (CNNs). Thus, the objective of this work was to develop computational tools to correctly identify the presence of pests, reducing evaluation time, evaluator error, and labor costs. The accuracies of these methods developed were between 99.67% and 97.00%. In addition, a tool was developed to quantify the degree of infestation, achieving an accuracy of 86.67%. |
Palavras-chave: | Deep learning Visão computacional Rede neural convolucional Leucoptera coffeella Hemileia vastatrix Coffea arabica |
CNPq: | CNPQ::CIÊNCIAS EXATAS E DA TERRA::CIÊNCIA DA COMPUTAÇÃO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal de Itajubá |
Sigla da Instituição: | UNIFEI |
metadata.dc.publisher.department: | IESTI - Instituto de Engenharia de Sistemas e Tecnologia da Informação |
metadata.dc.publisher.program: | Programa de Pós-Graduação: Mestrado - Ciência e Tecnologia da Computação |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.unifei.edu.br/jspui/handle/123456789/4008 |
Data do documento: | 15-Dez-2023 |
Aparece nas coleções: | Dissertações |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação_2024036.pdf | 10,41 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.