Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Tedesco-Oliveira, Danilo [UNESP] | - |
Autor(es): dc.creator | Pereira da Silva, Rouverson [UNESP] | - |
Autor(es): dc.creator | Maldonado, Walter [UNESP] | - |
Autor(es): dc.creator | Zerbato, Cristiano [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:33:56Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:33:56Z | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-04-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.compag.2020.105307 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/201593 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/201593 | - |
Descrição: dc.description | One way to improve the quality of mechanized cotton harvesting is to change harvester settings and adjustments throughout the process, according to information obtained during the operation. We believe that yield predictions are important for managing the quality of operation, aiming at increasing efficiency and reducing losses. Therefore, this study aimed to develop an automated system for cotton yield prediction from color images acquired by a simple mobile device. We propose a robust approach to environmental conditions, training detection algorithms with images acquired at different times throughout the day, and evaluating three different scenarios (low-, average-, and high-demand computational resources). The experimental results for the average demand computational scenario, which are suitable for real-time deployment on low-cost devices such as smartphones and other ARM-processed devices, indicated the possibility of counting bolls using images acquired at different times throughout the day, with mean errors of 8.84% (∼5 bolls). Furthermore, we observed a 17.86% error when predicting yield using 205 images from the testing dataset, which is equivalent to about 19.14 g. | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | São Paulo State University School of Agricultural and Veterinary Sciences (UNESP/FCAV) | - |
Descrição: dc.description | São Paulo State University School of Agricultural and Veterinary Sciences (UNESP/FCAV) | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Computers and Electronics in Agriculture | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Deep learning | - |
Palavras-chave: dc.subject | Object detection | - |
Palavras-chave: dc.subject | Smart harvesting | - |
Palavras-chave: dc.subject | Yield prediction | - |
Título: dc.title | Convolutional neural networks in predicting cotton yield from images of commercial fields | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: