
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.creator | Santos, Alexandre dos | - |
| Autor(es): dc.creator | Biesseck, Bernardo Janko Gonçalves | - |
| Autor(es): dc.creator | Latte, Nicolas | - |
| Autor(es): dc.creator | Santos, Isabel Carolina de Lima | - |
| Autor(es): dc.creator | Santos, Wesley Pinho dos | - |
| Autor(es): dc.creator | Zanetti, Ronald | - |
| Autor(es): dc.creator | Zanuncio, José Cola | - |
| Data de aceite: dc.date.accessioned | 2026-02-09T12:02:55Z | - |
| Data de disponibilização: dc.date.available | 2026-02-09T12:02:55Z | - |
| Data de envio: dc.date.issued | 2022-10-31 | - |
| Data de envio: dc.date.issued | 2022-10-31 | - |
| Data de envio: dc.date.issued | 2022-07 | - |
| Fonte completa do material: dc.identifier | https://repositorio.ufla.br/handle/1/55386 | - |
| Fonte completa do material: dc.identifier | https://doi.org/10.1016/j.compag.2022.107071 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1153190 | - |
| Descrição: dc.description | Leaf-cutting ants are the main group of insect pests in Brazilian forest plantations, and their nests can be visually identified in remotely sensed images. This study compares two distinct pattern recognition methodologies, each with different computational costs, for detecting and measuring leaf-cutting ant (LCA) nests in RGB images acquired by unmanned aerial vehicles (UAVs), aiming to develop an efficient detection system for day-to-day Eucalyptus plantation management. The first methodology (MLP) is based on traditional Multilayer Perceptron Neural Networks combined with the sliding window technique. The second methodology uses the new Convolutional Neural Networks YOLOv5 architecture, which is a deep learning approach applied to RGB imagery and requires more time and memory. For each input image, existing LCA nests were detected and measured based on their bounding box areas. Images were classified to detect the presence and measure the area of LCA nests. The quality of both methodologies were evaluated using accuracy, Kappa, sensitivity, specificity, and mean absolute percentage error (MAPE) metrics, considering training and test data sets. Performances of the YOLOv5 methodology were highly superior to those of the MLP methodology, with 98.45% accuracy using the YOLOv5 large architecture net and 0.49% MAPE in measuring the nests with YOLOv5s nets, whose performance was superior to the MLP results (65.45%), demonstrating high complexity in identifying the targets in the field. The YOLOv5 approach, applied to RGB images acquired by UAVs, shows great promise for precision monitoring of LCA nests, and thus can reduce and optimize insecticide use in forest plantation areas. | - |
| Idioma: dc.language | en | - |
| Publicador: dc.publisher | Elsevier | - |
| Direitos: dc.rights | restrictAccess | - |
| ???dc.source???: dc.source | Computers and Electronics in Agriculture | - |
| Palavras-chave: dc.subject | Forest protection | - |
| Palavras-chave: dc.subject | Visual computation | - |
| Palavras-chave: dc.subject | Remotely sensed images | - |
| Palavras-chave: dc.subject | Leaf-cutting ants | - |
| Palavras-chave: dc.subject | Proteção florestal | - |
| Palavras-chave: dc.subject | Computação visual | - |
| Palavras-chave: dc.subject | Imagens de sensoriamento remoto | - |
| Palavras-chave: dc.subject | Formigas cortadeiras | - |
| Título: dc.title | Remote detection and measurement of leaf-cutting ant nests using deep learning and an unmanned aerial vehicle | - |
| Tipo de arquivo: dc.type | Artigo | - |
| 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: