
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 | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | University of Montpellier | - |
| Autor(es): dc.creator | Porto, Letícia Rosim | - |
| Autor(es): dc.creator | Abdelghafour, Florent | - |
| Autor(es): dc.creator | Oviedo, Maurycio | - |
| Autor(es): dc.creator | Imai, Nilton Nobuhiro | - |
| Autor(es): dc.creator | Tommaselli, Antonio Maria Garcia | - |
| Autor(es): dc.creator | Bendoula, Ryad | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T21:16:58Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T21:16:58Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2024-11-03 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.5194/isprs-annals-X-3-2024-331-2024 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/305318 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/305318 | - |
| Descrição: dc.description | Huanglongbing (HLB) is a bacterial disease transmitted by different vectors of sap-sucking insects. It affects all crops of citrus trees, decreasing the values of those fruits in the market and eventually the decay of orchards. In Brazil, the world's leading orange producer, citriculture faces severe issues with HLB and substantial economic loss. Technical means of scanning the orchards with high-throughput becomes essential for the sustainability of this industry. In this study, we propose to investigate an operational strategy consisting of scanning large portions of foliage (the canopy of one tree or more) in which there can few early foliage symptoms. It is proposed to investigate deep learning tools to solve this complex binary classification problem. The study is based on a dataset comprising 1,297 terrestrial multispectral (14 channels) images captured at high spatial resolution in a commercial orange orchard in Brazil. It is proposed to adapt and retrain standard neural network architectures, namely ResNets18 and ResNets34, to process such images. Our analysis reveals promising results, with both models demonstrating convergence and achieving stable performance. Notably, ResNet18 outperformed ResNet34, achieving an accuracy of 76.45% compared to 66.79% from ResNet34. These findings suggest that deep neural network methods can effectively manage non-radiometrically calibrated data and accurately distinguish images with HLB symptoms from healthy plants. However, with reduced datasets and limited possibilities for transfer learning and fine-tuning, it seems that only reasonable sized networks can be trained. Thus, more advanced state-of-the-art tools of the are still challenging to deploy for agricultural multi-or hyperspectral data. | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
| Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
| Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
| Descrição: dc.description | São Paulo State University (UNESP) | - |
| Descrição: dc.description | INRAE Institut Agro ITAP University of Montpellier | - |
| Descrição: dc.description | São Paulo State University (UNESP) | - |
| Descrição: dc.description | FAPESP: 2021/06029-7 | - |
| Descrição: dc.description | CNPq: 303670/2018-5 | - |
| Descrição: dc.description | CNPq: 308747/2021-6 | - |
| Descrição: dc.description | CAPES: 88887.817757/2023-00 | - |
| Descrição: dc.description | CAPES: 88887.839524/2023-00 | - |
| Descrição: dc.description | CAPES: 88887.840159/2023-00 | - |
| Formato: dc.format | 331-337 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Convolutional Neural Network (CNN) | - |
| Palavras-chave: dc.subject | Deep Learning | - |
| Palavras-chave: dc.subject | Digital Agriculture | - |
| Palavras-chave: dc.subject | High Resolution | - |
| Palavras-chave: dc.subject | Huanglongbing | - |
| Palavras-chave: dc.subject | Proximal Remote Sensing | - |
| Título: dc.title | Use of ResNets for HLB Disease Detection on Orange Leaves Using Terrestrial Multispectral Images | - |
| Tipo de arquivo: dc.type | aula 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: