Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Borges, Díbio Leandro | - |
Autor(es): dc.creator | Lima, Bruno Pinheiro de Melo | - |
Data de aceite: dc.date.accessioned | 2024-10-23T15:50:55Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T15:50:55Z | - |
Data de envio: dc.date.issued | 2024-07-19 | - |
Data de envio: dc.date.issued | 2024-07-19 | - |
Data de envio: dc.date.issued | 2024-07-19 | - |
Data de envio: dc.date.issued | 2024-03-15 | - |
Fonte completa do material: dc.identifier | http://repositorio2.unb.br/jspui/handle/10482/49062 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/893552 | - |
Descrição: dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, Programa de Pós-Graduação em Sistemas Mecatrônicos, 2024. | - |
Descrição: dc.description | No Brasil, a produção de soja aumentou consideravelmente nas últimas décadas, impulsi onada por tecnologias agrícolas avançadas. No entanto, o uso excessivo de pesticidas, que representa uma parte significativa dos custos, apresenta desafios econômicos e ambien tais. Métodos de detecção e contagem de pragas usando Visão Computacional mostram-se promissores, uma vez que as abordagens tradicionais são trabalhosas e demoradas. Este estudo apresenta um método projetado para identificar e contar insetos em campos de soja, construído sobre um modelo YOLOv8 aprimorado, especificamente desenvolvido para essa missão. Para aprimorar a precisão na detecção de pequenos insetos e reduzir a complexi dade do modelo YOLOv8, conduzimos experimentos de ablação para avaliar o impacto da integração de um nível de recursos mais profundo e um bloco com menor número de filtros na espinha dorsal e no pescoço da estrutura original. Por meio desses experimentos, o novo algoritmo foi treinado e testado usando um conjunto de dados de pesquisa público, composto por amostras de Euschistus Heros (PMN), um percevejo de interesse em lavouras de soja no Brasil, e seu desempenho foi comparado com três configurações em condições idênticas: A) YOLOv8n, B) YOLOv8n com apenas C2f2 e C) YOLOv8n com apenas P2. Nossa avaliação empregou diversas métricas, incluindo precisão, revocação, mAP0.5 e mAP0.5-0.95. Também consideramos a complexidade do modelo como fatores essenciais na avaliação da eficiência dos modelos YOLO para aplicações específicas, comparando parâmetros, FLOPs, Inferência e Tempo. O modelo proposto foi então integrado a um framework capaz de rastrear e contar os PMNs em questão em um stream de vídeo. Este stream foi criado, animando 42 novas imagens, capturadas sob diversas condições de iluminação e fundo para abordar potenciais desafios em aplicações práticas, testando a capacidade de generalização do modelo, bem como o desempenho do modelo em aplicações de vídeo. O modelo demonstra uma medida de acurácia, representada pela métrica de MOTA, satisfatória, com cerca de 62%. Isso indica que a técnica proposta é eficaz em rastrear bem os percevejos ao longo das cenas apresentadas, o que é corroborado pela alta taxa de acerto na contagem final dos PMNs (desvio para cima de 5,3%). Esses resultados apontam para um potencial desse tipo de framework e sinaliza potencial em aplicações futuras de mapeamento de pragas a partir de rastreamentos em tempo real. | - |
Descrição: dc.description | In Brazil, soybean production has increased considerably in recent decades, driven by ad vanced agricultural technologies. However, the excessive use of pesticides, which represents an important portion of the costs, presents economic and environmental challenges. Pest detection and counting methods using Computer Vision appear promising, since traditional approaches are laborious and time-consuming. This study introduces a method tailored for real-time detecting and counting insects in soybean fields, built upon an improved YOLOv8 model, designed for this mission. To enhance the accuracy in detecting small insects and reduce the complexity of YOLOv8, we conducted ablation experiments to assess the impact of integrating a deeper feature level and a proposed C2f2 layer into the insect detection model. Through these ablation experiments, new algorithm underwent training and testing using a public research dataset, composed of samples of Euschistus Heros (NBSB), a bug of interest in soybean crops in Brazil, and its performance was compared against three configurations under identical conditions: A) YOLOv8n, B) YOLOv8n with C2f2 only and C) YOLOv8n with P2 only. Our evaluation employed various metrics, including Precision, Recall, mAP0.5 and mAP0.5-0.95. We also considered model complexity as essential factors in assessing the efficiency of YOLO models for specific applications, by comparing Params, FLOPs, Inference, and Time. The proposed model was then integrated into a framework capable of track and count NBSBs from a video stream. This video stream was created, animating 42 new images, captured under diverse lighting and background conditions to address potential challenges in practical applications, testing the generalization capacity of the model as well as the model’s performance in video applications. The model demonstrates a satisfactory measure of accuracy, represented by the MOTA metric, with around 62%. This indicates that the proposed technique is effective in tracking bedbugs well throughout the scenes presented, which is corroborated by the high hit rate in the final insect count (upward deviation of 5.3%). These results point to the potential of this type of framework and signal potential in future pest mapping applications based on real-time tracking. | - |
Descrição: dc.description | Faculdade de Tecnologia (FT) | - |
Descrição: dc.description | Departamento de Engenharia Mecânica (FT ENM) | - |
Descrição: dc.description | Programa de Pós-Graduação em Sistemas Mecatrônicos | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Direitos: dc.rights | Acesso Aberto | - |
Palavras-chave: dc.subject | Aprendizagem profunda | - |
Palavras-chave: dc.subject | Insetos | - |
Palavras-chave: dc.subject | Agricultura | - |
Título: dc.title | Detecção e contagem automáticas de Euschistus heros (Percevejo marrom) em lavouras de soja usando imagens e aprendizagem profunda | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
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: