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 | Lopes, Fabricio Martins | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-8786-3313 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1660070580824436 | - |
Autor(es): dc.contributor | Lopes, Fabricio Martins | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1660070580824436 | - |
Autor(es): dc.contributor | Silva, Natassya Barlate Floro da | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/3393376801047734 | - |
Autor(es): dc.contributor | Bugatti, Pedro Henrique | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2177467029991118 | - |
Autor(es): dc.creator | Guelfi, Joao Antonio Tafarelo | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:35:18Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:35:18Z | - |
Data de envio: dc.date.issued | 2024-12-17 | - |
Data de envio: dc.date.issued | 2024-12-17 | - |
Data de envio: dc.date.issued | 2024-10-17 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/35659 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1115843 | - |
Descrição: dc.description | One of Brazil’s principal crops is soybeans, which plays an important role in the Brazilian agribusiness chain. Negative effects on this crop have a major impact on the economy, from the initial process to harvesting and distribution. One of the key problems is the existence of pests in the cultivars, which are of great relevance to production. Monitoring and decision-making for the prevention and application of fungicides at planting have shown sustainability, productivity, and healthier production for consumption. Computational approaches have been applied to monitoring pests, but they are being applied to the phenotype of diseases, so that cultivars already show signs of infection and require fungicide application. However, fungi use living hosts for their reproduction and the wind as a means of migrating their spores to a new host, as is the case with the principal cause of production losses, Asian soybean rust. Spore collectors and microscope slides are used for early detection of the pathology, but this requires a specialized professional and is a time-consuming and tiring process that is not scalable. Deep learning approaches can provide greater accuracy in detecting spores in less time and in a standardized way. Therefore, this study presents an evaluation of different deep learning approaches for the automatic recognition of spores causing soybean diseases: rust, downy mildew, and powdery mildew from microscopy slides. The results presented indicate the suitability of the methods and point to directions for further research. | - |
Descrição: dc.description | Um dos principais cultivares do Brasil e a soja, que apresenta participação importante ˜ na cadeia do agronegócio brasileiro. Impactos negativos neste cultivar levam a grande impacto na economia, considerando desde o processo inicial ate a colheita e distribuição. Um dos principais problemas é a existência de pragas nas cultivares, que são de grande relevância para a produção. O monitoramento e a tomada de decisão para a prevenção e a aplicação de fungicidas no plantio tem mostrado sustentabilidade, produtividade e produção mais saudável para consumo. Abordagens computacionais tem sido aplicadas ao monitoramento de pragas, mas estão sendo aplicadas no fenotipo das doenças e desta maneira os cultivares já apresentam sinais de infecção e necessitam de aplicação de fungicidas. No entanto, os fungos utilizam ˜ hospedeiros vivos para sua reprodução e o vento como meio de migrar os seus ˜ esporos para um novo hospedeiro, como e o caso da principal causa de perda na produção, a ferrugem asiática da soja. Para detectar precocemente a manifestação da patologia são utilizados coletores de esporos e lâminas de microscópio, porém é necessário um profissional especializado, sendo um processo demorado e cansativo e que não e escalável. Abordagens de Deep Learning podem atribuir maior precisão na detecção dos esporos em menos tempo e de forma padronizada. Portanto, este ˜ estudo apresenta uma avaliação de diferentes abordagens de deep learning para o reconhecimento automático de esporos causadores de doenças da soja: ferrugem, míldio e oídio a partir de laminas de microscopia. Os resultados apresentados indicam a adequação dos métodos e apontam direções para investigação mais aprofundada. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Cornelio Procopio | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Informática | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Fungos | - |
Palavras-chave: dc.subject | Esporos bacterianos | - |
Palavras-chave: dc.subject | Grãos - Doenças e pragas | - |
Palavras-chave: dc.subject | Fungi | - |
Palavras-chave: dc.subject | Spores (Bacteria) | - |
Palavras-chave: dc.subject | Grain - Diseases and pests | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Comparação de modelos de deep learning na detecção de esporos de fungos em lâminas de microscópio | - |
Título: dc.title | Comparison of deep learning models in the detection of fungal spores on microscope slides | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: