Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | University of Connecticut | - |
Autor(es): dc.contributor | Louisiana State University | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Precision AgX | - |
Autor(es): dc.contributor | University Center of Herminio Ometto Foundation | - |
Autor(es): dc.contributor | University of Georgia | - |
Autor(es): dc.creator | de Souza, Flávia Luize Pereira | - |
Autor(es): dc.creator | Shiratsuchi, Luciano Shozo | - |
Autor(es): dc.creator | Dias, Maurício Acconcia | - |
Autor(es): dc.creator | Barbosa Júnior, Marcelo Rodrigues | - |
Autor(es): dc.creator | Setiyono, Tri Deri | - |
Autor(es): dc.creator | Campos, Sérgio | - |
Autor(es): dc.creator | Tao, Haiying | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:35:30Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:35:30Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2025-04-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1007/s11119-025-10229-1 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/304758 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/304758 | - |
Descrição: dc.description | Counting soybean plants is a crucial strategy for assessing sowing quality and supporting high production. Despite its importance, the laborious nature of traditional assessment methods makes them unreliable and not scalable. Additionally, innovative image-based solutions have demonstrated limitations in detecting dense crops such as soybeans. Therefore, in this study, we developed neural network models to analyze a set of RGB and multispectral images and perform plant classification in a comprehensive dataset, which included data collected at three vegetative stages of soybean (VC, V1, and V2). Our results demonstrated high accuracy in classifying plants using either RGB (98%) or multispectral images (92%). A significant strength of this study is the ability to classify highly dense plants, without a trend for misclassification. Clearly, our findings provide stakeholders with a timely and effective approach to counting soybean plants, reducing labor and time, while increasing reliability. | - |
Descrição: dc.description | Department of Plant Science and Landscape Architecture University of Connecticut, Storrs | - |
Descrição: dc.description | School of Plant Environmental and Soil Sciences Louisiana State University | - |
Descrição: dc.description | Department of Rural Engineering São Paulo State University, SP | - |
Descrição: dc.description | Precision AgX, PO box 9617 | - |
Descrição: dc.description | University Center of Herminio Ometto Foundation, SP | - |
Descrição: dc.description | Department of Horticulture University of Georgia | - |
Descrição: dc.description | Department of Rural Engineering São Paulo State University, SP | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Precision Agriculture | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Dense crop | - |
Palavras-chave: dc.subject | Multilayer perceptron | - |
Palavras-chave: dc.subject | Multispectral images | - |
Palavras-chave: dc.subject | Plant classification | - |
Palavras-chave: dc.subject | Stand count | - |
Título: dc.title | A neural network approach employed to classify soybean plants using multi-sensor images | - |
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: