Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks
A identificação do estresse nutricional das plantas com base nos sintomas visuais é predominantemente manual e é realizada por especialistas treinados para identificar tais anomalias. Além disso, esse processo tende a consumir muito tempo, tem uma variabilidade entre as áreas de cultivo e é frequent...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Asociación Española para la Inteligencia Artificial
2021-01-01
|
| Series: | Inteligencia Artificial |
| Subjects: | |
| Online Access: | https://journal.iberamia.org/index.php/intartif/article/view/500 |
| _version_ | 1828866448655646720 |
|---|---|
| author | Bruno Rover Dal Prá Roberto Navarro de Mesquita Mário Olímpio de Menezes Delvonei Alves de Andrade |
| author_facet | Bruno Rover Dal Prá Roberto Navarro de Mesquita Mário Olímpio de Menezes Delvonei Alves de Andrade |
| author_sort | Bruno Rover Dal Prá |
| collection | DOAJ |
| description | A identificação do estresse nutricional das plantas com base nos sintomas visuais é predominantemente manual e é realizada por especialistas treinados para identificar tais anomalias. Além disso, esse processo tende a consumir muito tempo, tem uma variabilidade entre as áreas de cultivo e é frequentemente necessário para análise em vários pontos da propriedade. Este trabalho propõe um sistema de reconhecimento de imagens que analisa o estado nutricional da planta para ajudar a resolver esses problemas. A metodologia utiliza aprendizado profundo que automatiza o processo de identificação e classificação do estresse nutricional de Brachiaria brizantha cv. marandu. Um sistema de reconhecimento de imagem foi construído e analisa o estado nutricional da planta usando as imagens digitais de suas folhas. O sistema identifica e classifica as deficiências de nitrogênio e potássio. Ao receber a imagem da folha do pasto, após uma classificação realizada por uma rede neural convolucional (CNN), o sistema apresenta o resultado do estado nutricional diagnosticado. Os testes realizados para identificar o estado nutricional das folhas apresentaram uma precisão de 96%. Estamos trabalhando para expandir os dados do banco de dados de imagens para obter um aumento nos níveis de precisão, visando o treinamento com maior quantidade de informações apresentadas à CNN e, assim, obtendo resultados mais expressivos. |
| first_indexed | 2024-12-13T04:50:14Z |
| format | Article |
| id | doaj.art-55988e45dfd24cfe90755833a27d4bcd |
| institution | Directory Open Access Journal |
| issn | 1137-3601 1988-3064 |
| language | English |
| last_indexed | 2024-12-13T04:50:14Z |
| publishDate | 2021-01-01 |
| publisher | Asociación Española para la Inteligencia Artificial |
| record_format | Article |
| series | Inteligencia Artificial |
| spelling | doaj.art-55988e45dfd24cfe90755833a27d4bcd2022-12-21T23:59:01ZengAsociación Española para la Inteligencia ArtificialInteligencia Artificial1137-36011988-30642021-01-01236610.4114/intartif.vol23iss66pp85-96Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural NetworksBruno Rover Dal Prá0Roberto Navarro de Mesquita1Mário Olímpio de Menezes2Delvonei Alves de Andrade3Energy and Nuclear Research Institute - IPEN, São Paulo, São Paulo, BrazilEnergy and Nuclear Research Institute - IPEN, São Paulo, São Paulo, BrazilEnergy and Nuclear Research Institute - IPEN, São Paulo, São Paulo, BrazilEnergy and Nuclear Research Institute - IPEN, São Paulo, São Paulo, BrazilA identificação do estresse nutricional das plantas com base nos sintomas visuais é predominantemente manual e é realizada por especialistas treinados para identificar tais anomalias. Além disso, esse processo tende a consumir muito tempo, tem uma variabilidade entre as áreas de cultivo e é frequentemente necessário para análise em vários pontos da propriedade. Este trabalho propõe um sistema de reconhecimento de imagens que analisa o estado nutricional da planta para ajudar a resolver esses problemas. A metodologia utiliza aprendizado profundo que automatiza o processo de identificação e classificação do estresse nutricional de Brachiaria brizantha cv. marandu. Um sistema de reconhecimento de imagem foi construído e analisa o estado nutricional da planta usando as imagens digitais de suas folhas. O sistema identifica e classifica as deficiências de nitrogênio e potássio. Ao receber a imagem da folha do pasto, após uma classificação realizada por uma rede neural convolucional (CNN), o sistema apresenta o resultado do estado nutricional diagnosticado. Os testes realizados para identificar o estado nutricional das folhas apresentaram uma precisão de 96%. Estamos trabalhando para expandir os dados do banco de dados de imagens para obter um aumento nos níveis de precisão, visando o treinamento com maior quantidade de informações apresentadas à CNN e, assim, obtendo resultados mais expressivos.https://journal.iberamia.org/index.php/intartif/article/view/500Machine learningComputer VisionPlant NutritionConvolutional Neural Network |
| spellingShingle | Bruno Rover Dal Prá Roberto Navarro de Mesquita Mário Olímpio de Menezes Delvonei Alves de Andrade Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks Inteligencia Artificial Machine learning Computer Vision Plant Nutrition Convolutional Neural Network |
| title | Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks |
| title_full | Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks |
| title_fullStr | Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks |
| title_full_unstemmed | Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks |
| title_short | Nutritional Evaluation of Brachiaria brizantha cv. marandu using Convolutional Neural Networks |
| title_sort | nutritional evaluation of brachiaria brizantha cv marandu using convolutional neural networks |
| topic | Machine learning Computer Vision Plant Nutrition Convolutional Neural Network |
| url | https://journal.iberamia.org/index.php/intartif/article/view/500 |
| work_keys_str_mv | AT brunoroverdalpra nutritionalevaluationofbrachiariabrizanthacvmaranduusingconvolutionalneuralnetworks AT robertonavarrodemesquita nutritionalevaluationofbrachiariabrizanthacvmaranduusingconvolutionalneuralnetworks AT marioolimpiodemenezes nutritionalevaluationofbrachiariabrizanthacvmaranduusingconvolutionalneuralnetworks AT delvoneialvesdeandrade nutritionalevaluationofbrachiariabrizanthacvmaranduusingconvolutionalneuralnetworks |