Identificação de pragas na agricultura utilizando APIs de visão computacional

• Main Author: Vilas Boas, Lenilson Lemos
• Other Authors: Nöth, Winfried
• Format: Others
• Language: Portuguese
• Published: Pontifícia Universidade Católica de São Paulo 2018
• Subjects: Aprendizado de Máquinas; Agricultura digital; Imagens digitais; Machine learning; Digital agriculture; Digital imaging; CNPQ::ENGENHARIAS
• Online Access: https://tede2.pucsp.br/handle/handle/21763

Submitted by Filipe dos Santos ([e-mail]) on 2018-12-14T11:45:48Z No. of bitstreams: 1 Lenilson Lemos Vilas Boas.pdf: 4297593 bytes, checksum: 1aa03b41410e014c8021095ee73b5e7b (MD5) === Made available in DSpace on 2018-12-14T11:45:48Z (GMT). No. of bitstreams: 1 Lenilson Lemos Vilas Boas.pdf: 4297593 bytes, checksum: 1aa03b41410e014c8021095ee73b5e7b (MD5) Previous issue date: 2018-11-26 === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES === Systems that use Computer Vision Application Program Interfaces (APIs) can learn and identify patterns and thus perform associations to retrieve additional data. They are able to obtain results much faster than any human agent is. The study uses three computational vision APIs and evaluates their application in the identification of four plant leave diseases. Based on a corpus of fifty images, the API training was conducted in two stages, the first with thirty images and the second training with twenty more images. After the two trainings, the results of the diseases were collected for each API studied, which made it possible to evaluate the identification capacity and its evolution of learning after each training. The results corroborated the hypothesis. They gave evidence of the feasibility of identification of plant leaf diseases by means of computer vision APIs === Sistemas que utilizam APIs (Interfaces de Programação de Aplicação) de visão computacional têm a capacidade de aprender e identificar padrões, e assim realizar associações com outros resultados, sendo capaz de apresentar resultados mais rápidos do que uma pessoa. O trabalho identificou três APIs de visão computacional e avaliou sua aplicação na identificação de doenças em folhas de plantas, comparando os resultados de quatro diferentes doenças de plantas. Os treinamentos das APIs foram realizados em duas etapas, sendo o primeiro treinamento com uma quantidade de imagens e o segundo treinamento adicionando mais imagens. Após os dois treinamentos foram coletados os resultados das doenças para cada API estudada, sendo possível avaliar a capacidade de identificação e sua evolução de aprendizado após cada um dos treinamentos. Os resultados obtidos corroboram as expectativas, apontando para a viabilidade de identificação de doenças em folhas de plantas através de APIs de visão computacional