Use este identificador para citar ou linkar para este item:
https://repositorio.ifgoiano.edu.br/handle/prefix/4348
Tipo: | Trabalho de Conclusão de Curso |
Título: | Detecção de plantas daninhas em lavouras de mandioca utilizando Rede Neural em imagens aéreas obtidas por VANT |
Título(s) alternativo(s): | Detecting weeds in cassava plantations using Neural Networks in aerial images taken by UAVs |
Autor(es): | Oliveira, Gabriel Faria Carmo |
Primeiro Orientador: | Cardoso, Luciana Recart |
Primeiro Membro da Banca: | Lopes, Laís Cândido da Silva |
Segundo Membro da Banca: | Nascimento, Thamer Horbylon |
Resumo: | A mandioca é uma planta de grande importância socioeconômica em várias regiões do mundo. No entanto, as plantas daninhas representam um dos principais fatores que afetam a sua produção, tornando a sua rápida identificação um fator essencial para diminuir os impactos negativos nas plantações. Na região de Iporá - GO, o capim-braquiária é a principal planta daninha nas lavouras locais. Com o surgimento da agricultura 4.0, foram integradas novas tecnologias na agropecuária como a utilização de drones, visão computacional e aprendizado de máquina. A combinação dessas ferramentas tem mostrado resultados positivos para reconhecer rapidamente plantas indesejadas nas culturas. Entre as técnicas aplicadas, a utilização de modelos de redes neurais convolucionais (CNN) para localizar objetos de interesse em imagens tem se tornado cada vez mais popular. Dentre esses modelos, o YOLO (You Only Look Once) tem se destacado pela sua eficiência na tarefa de detecção em tempo real. Ao longo de sua evolução, o YOLO passou por algumas versões, sendo a mais recente o YOLOv8, lançado no início de 2023. Porém, em comparação com suas versões anteriores, YOLOv3, YOLOv4 e YOLOv5, o YOLOv8 ainda é pouco utilizado em estudos. Sendo este um dos fatores que incentivaram a escolha do YOLOv8 para este trabalho, como forma de produção de conteúdo científico ao fornecer uma análise do seu desempenho. Este estudo utilizou uma abordagem alternativa para a detecção de plantas daninhas na mandiocultura. Para isso foi utilizado o modelo YOLOv8 para realizar o reconhecimento de mandioca e plantas daninhas em imagens aéreas obtidas por drones. Os resultados obtidos é a análise por meio de métricas e testes visuais de seu uso, um conjunto de dados público para imagens aéreas de mandioca e avaliação de alturas que podem ser utilizadas nesse tipo de tarefa. Como forma de validação da hipótese deste trabalho, foi escolhido o capim-braquiária como planta daninha alvo. Os resultados obtidos indicam um desempenho promissor para o modelo YOLOv8 aplicado a uma altura de 5 metros, com uma mAP@0.5 de 69,7%. Essa métrica mostra a capacidade do modelo de identificar com precisão a planta daninha nas imagens e vídeos capturados por drones. |
Abstract: | Cassava is a plant of great socio-economic importance in various regions of the world. However, weed infestation stands out as one of the main factors affecting its production, requiring rapid identification to mitigate the adverse effects on plantations. In the region of Iporá - GO, brachiaria grass has emerged as the predominant weed in local crops. The advent of agriculture 4.0 has introduced new technologies into agricultural practices, including drones, computer vision and machine learning. The integration of these tools has shown favorable results in the immediate identification of undesirable plants in crops. Among these methodologies, the use of convolutional neural network (CNN) models to locate objects in images has been gaining increasing strength. In particular, the YOLO (You Only Look Once) model has been recognized for its real-time detection efficiency. Evolving over iterations, the latest version, YOLOv8, was released in early 2023. However, despite the advances, YOLOv8 remains underutilized compared to its predecessors - YOLOv3, YOLOv4 and YOLOv5 - in academic studies. Therefore, the selection of YOLOv8 for this study aims to contribute scientific insights by evaluating its performance. The research uses an innovative approach to weed detection in cassava cultivation, employing the YOLOv8 model to identify cassava and weeds in aerial drone images. The results cover metric analysis, visual assessments, a publicly accessible dataset of aerial images of cassava and an assessment of the appropriate heights for this application. To validate the study's hypothesis, brachiaria grass was used as the target weed. The results highlight the promising performance of the YOLOv8 model at a height of 5 meters, reaching a mAP@0.5 of 69.7%. This metric underscores the model's effectiveness in accurately identifying weeds in images and videos captured by drones. |
Palavras-chave: | Agricultura 4.0 Drone Mandioca Planta daninha Rede Neural Convolucional YOLOv8 Agriculture 4.0 Cassava Convolutional Neural Network Drone Weeds |
Área do CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
Pais: | Brasil |
Editor: | Instituto Federal Goiano |
Sigla da Instituição: | IF Goiano |
Campus: | Campus Iporá |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.ifgoiano.edu.br/handle/prefix/4348 |
Data do documento: | 7-Mar-2024 |
Aparece nas coleções: | Bacharelado em Ciência da Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
tcc_Gabriel Faria.pdf | Trabalho de Conclusão de Curso - Gabriel Faria Carmo Oliveira | 145,1 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.