
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 | Santos, Adão Felipe dos | - |
| Autor(es): dc.contributor | Castro, Rafael Peron | - |
| Autor(es): dc.contributor | Santos, Alexandre dos | - |
| Autor(es): dc.contributor | Silva, Rouverson Pereira da | - |
| Autor(es): dc.creator | Inácio, Franklin Daniel | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T11:51:17Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T11:51:17Z | - |
| Data de envio: dc.date.issued | 2025-05-19 | - |
| Data de envio: dc.date.issued | 2025-05-19 | - |
| Data de envio: dc.date.issued | 2025-05-19 | - |
| Data de envio: dc.date.issued | 2025-05-19 | - |
| Data de envio: dc.date.issued | 2025-01-16 | - |
| Fonte completa do material: dc.identifier | http://repositorio.ufla.br/handle/1/59967 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1148914 | - |
| Descrição: dc.description | Arquivo retido, a pedido da autor, até abril de 2025. | - |
| Descrição: dc.description | The replacement of fossil fuels with renewable energy sources has gained significant attention in recent times. In this context, the macaúba palm (Acrocomia aculeata) emerges as an excellent alternative due to its high potential for biofuel production and its capacity to serve as a source of plant-based extractivism, given its widespread occurrence in natural environments. However, accurate mapping and quantification of macaúba populations for extractivism purposes remain challenging, hindering optimized economic utilization. Thus, this study aimed to identify and count macaúba plants in native environments using drone imagery combined with artificial intelligence models implemented through YOLOv8. Additionally, it sought to evaluate which version (nano, small, medium, large, and extralarge) is most effective in detecting macaúba plants. Images were collected from two regions with natural occurrences of macaúba in the municipality of Lavras-MG, Brazil, using an RGB camera mounted on a DJI Mavic 3 drone. A total of 1,921 images were captured and divided into training (70%), testing (20%), and validation (10%) datasets, with each network trained over 100 epochs. The results demonstrated high performance across all YOLOv8 versions applied to macaúba mapping, with accuracy exceeding 95%. Although training was set for 100 epochs, the nano version achieved significant learning within 52 epochs. All networks displayed high mAP values, reaching up to 98%, with the large version achieving this value earlier, at just 74 epochs. Regarding loss, the xlarge version was the first to reach minimum values but exhibited the poorest performance during testing, while the large version excelled with an accuracy rate of 94.71% on test images. These findings highlight the robust potential of YOLOv8 networks for mapping and detecting plants using drones, with the large and nano versions standing out. | - |
| Descrição: dc.description | A substituição de combustíveis fosseis por energias renováveis tem atraído atenção nos últimos tempos. Nesse cenário, a cultura da macaúba (Acrocomia aculeata) é uma excelente alternativa, uma vez que possui alto potencial de produção de biocombustível e pode ser uma fonte de extrativismo vegetal, devido a sua ampla ocorrência em ambientes naturais. No entanto, o mapeamento preciso e a quantificação de populações de macaúba visando extrativismo é um desafio, o que dificulta o aproveitamento econômico otimizado. Dessa forma, objetivou-se identificar e contar plantas de macaúba em ambiente nativo por meio de imagens de VANT’s (Veículos Aéreos Não Tripulados) ou comumente conhecidos como drone utilizando modelos de inteligência artificial implementados com ajuda do YOOLOv8, bem como verificar qual versão (nano, small, medium, large e extralarge) é mais eficaz na detecção das plantas de macaúba. As imagens foram coletadas em duas regiões de ocorrência natural das plantas de macaúba no município de Lavras - MG, Brazil, utilizando câmera RGB acoplada ao drone DJI Mavic 3. No total foram adquiridas 1921 imagens que foram divididas entre treinamento (70%), validação (20%) e teste (10%) e treinadas por 100 épocas cada rede. Os resultados mostram um desempenho elevado para todas as versões do YOLOv8 aplicadas ao mapeamento de macaúba, com precisão acima de 95%. Apesar de ser estabelecido 100 epocas para treinamento, a rede nano teve maior capacidade de aprendizado em 52 épocas de treinamento. O mAP foi elevado em todas as redes, atingindo 98%, com a versão large alcançando esse valor de forma mais precoce com apenas 74 épocas. Em termos de perda, a versão xlarge foi a primeira a atingir os valores mínimos, mas apresentou o pior desempenho no teste, enquanto a versão large se sobressaiu com uma taxa de acerto de 94,71% nas imagens de teste. Esses resultados demonstram o potencial robusto das redes YOLOv8 para aplicações de mapeamento e detecção de plantas com o uso de drones, com destaque para as versões large e nano. | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Federal de Lavras | - |
| Publicador: dc.publisher | Pós-Graduação em Agronomia/Fitotecnia | - |
| Publicador: dc.publisher | UFLA | - |
| Publicador: dc.publisher | brasil | - |
| Publicador: dc.publisher | Escola de Ciências Agrárias de Lavras - ESAL | - |
| Direitos: dc.rights | restrictAccess | - |
| Palavras-chave: dc.subject | Macaúba | - |
| Palavras-chave: dc.subject | Acrocomia aculeata | - |
| Palavras-chave: dc.subject | Drones | - |
| Palavras-chave: dc.subject | YOLO | - |
| Palavras-chave: dc.subject | Macauba | - |
| Palavras-chave: dc.subject | Ciências Agrárias | - |
| Título: dc.title | Macaúba – IA: Impulsionando a produção sustentável de biocombustível com identificação automatizada de plantas através de inteligência artificial | - |
| Título: dc.title | Macaúba - ai: driving sustainable biofuel production through automated plant identification with artificial intelligence | - |
| Tipo de arquivo: dc.type | dissertação | - |
| Aparece nas coleções: | Repositório Institucional da Universidade Federal de Lavras (RIUFLA) | |
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: