Detection of soybean pests and diseases through machine learning techniques

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorRosa, Renata Lopes-
Autor(es): dc.contributorBegazo, Dante Coaquira-
Autor(es): dc.contributorDias, Vinicius Vitor dos Santos-
Autor(es): dc.creatorOmole, Oluwatoyin Joy-
Data de aceite: dc.date.accessioned2026-02-09T11:13:48Z-
Data de disponibilização: dc.date.available2026-02-09T11:13:48Z-
Data de envio: dc.date.issued2023-08-21-
Data de envio: dc.date.issued2023-08-21-
Data de envio: dc.date.issued2023-08-21-
Data de envio: dc.date.issued2023-07-03-
Fonte completa do material: dc.identifierhttps://repositorio.ufla.br/handle/1/58270-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1136412-
Descrição: dc.descriptionSoybean, a vital source of protein and vegetable oil, plays a significant role in the economic growth of producing countries. However, diseases and pest infestation pose a substantial threat to soybean yield. Early detection of these issues on soybean leaves is crucial for preventing or reducing production losses. Machine learning and deep learning methods have shown promise in detecting soybean diseases. In this study, we investigated commonly used models for plant image classification, focusing on soybean disease and pest identification. Six models were selected, including three simple machinelearning models and three deep-learning models. To evaluate their performance, we used classification accuracy, precision, recall, and F-measure metrics. Our results surpassed those of previous studies, achieving improved accuracy in detecting soybean diseases and pests. Notably, the disease data set outperformed the pest data set, despite the latter being larger. Among the algorithms tested, VGG-16, a deep learning algorithm, demonstrated superior performance. The following are the classification accuracies achieved for the pest and disease data sets, respectively, using different algorithms: Support Vector Machine (88% and 92%), Random Forest (83% and 95%), K Nearest Neighbors (76% and 74%), VGG-16 (95% and 99%), VGG-19 (94% and 98%), and our custom CNN algorithm, ViewNet (89.5% and 75%). By leveraging 10-fold cross-validation, a widely used technique in machine learning, we ensured reliable and robust evaluations of the models. These findings contribute to the advancement of agricultural practices by providing insights into effective machine learning and deep learning approaches for soybean disease and pest detection.-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionA soja, fonte vital de proteína e óleo vegetal, desempenha um papel significativo no crescimento econômico dos países produtores. No entanto, doenças e infestação de pragas representam uma ameaça substancial para a produtividade da soja. A detecção precoce desses problemas nas folhas de soja é crucial para prevenir ou reduzir perdas de produção. Os métodos de aprendizado de máquina e aprendizado profundo mostraram-se promissores na detecção de doenças da soja. Neste estudo, investigamos modelos comumente usados para classificação de imagens de plantas, com foco em doenças da soja e identificação de pragas. Seis modelos foram selecionados, incluindo três modelos simples de aprendizado de máquina e três modelos de aprendizado profundo. Para avaliar seu desempenho, empregamos validação cruzada de 10 vezes e avaliamos a precisão da classificação, precisão, recuperação e métricas de medida F. Nossos resultados superaram os de estudos anteriores, alcançando maior precisão na detecção de doenças e pragas da soja. Notavelmente, o conjunto de dados de doenças superou o conjunto de dados de pragas, apesar do último ser maior. Entre os algoritmos testados, o VGG-16, um algoritmo de aprendizado profundo, demonstrou desempenho superior. A seguir estão as precisões de classificação alcançadas para os conjuntos de dados de pragas e doenças, respectivamente, usando diferentes algoritmos: Support Vector Machine (88% e 92%), Random Forest (83% e 95%), K Nearest Neighbors ( 76% e 74%), VGG-16 (95% e 99%), VGG-19 (94% e 98%), e nosso algoritmo CNN personalizado, ViewNet (89,5% e 75% ). Ao alavancar a validação cruzada de 10 vezes, uma técnica amplamente utilizada em aprendizado de máquina, garantimos avaliações confiáveis e robustas dos modelos. Essas descobertas contribuem para o avanço das práticas agrícolas, fornecendo informações sobre aprendizado de máquina eficaz e abordagens de aprendizado profundo para doenças da soja e detecção de pragas.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherUniversidade Federal de Lavras-
Publicador: dc.publisherPrograma de Pós-graduação em Ciência da Computação-
Publicador: dc.publisherUFLA-
Publicador: dc.publisherbrasil-
Publicador: dc.publisherDepartamento de Ciência da Computação-
Direitos: dc.rightsacesso aberto-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectSoja - Doenças e pragas-
Palavras-chave: dc.subjectAprendizado de máquina-
Palavras-chave: dc.subjectAprendizado profundo-
Palavras-chave: dc.subjectClassificação de imagens-
Palavras-chave: dc.subjectSoybean - Disease and pests-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectDeep learning-
Palavras-chave: dc.subjectImage classification-
Palavras-chave: dc.subjectProcessamento Gráfico (Graphics)-
Título: dc.titleDetection of soybean pests and diseases through machine learning techniques-
Título: dc.titleDetecção de pragas e doenças da soja através de técnicas de aprendizado de máquina-
Tipo de arquivo: dc.typedissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal de Lavras (RIUFLA)

Não existem arquivos associados a este item.