Use este identificador para citar ou linkar para este item:
http://repositorio.ufgd.edu.br/jspui/handle/prefix/4645
Tipo: | Trabalho de Conclusão de Curso |
Título: | Análise de desempenho da YOLOv3 para detecção em tempo real de insetos-praga na soja |
Título(s) alternativo(s): | Performance analysis of YOLOv3 for real-time detection of pests in soybeans |
Autor(es): | Silveira, Fabio Amaral Godoy da |
Primeiro Orientador: | Tetila, Everton Castelão |
Segundo Orientador: | Gilberto Astolfi, Gilberto Astolfi |
metadata.dc.contributor.referee1: | Amorim, Willian Paraguassu |
metadata.dc.contributor.referee2: | Costa, Anderson Bessa da |
metadata.dc.contributor.referee3: | Moro, Marcos Paulo |
Resumo: | Neste trabalho avaliamos a arquitetura You Only Look Once (YOLOv3) para detecção em tempo real de insetos-praga na soja. As imagens da plantação foram coletadas em dias, locais e condições climáticas diferentes, entre os estádios fenológicos R1 a R6, considerados de grande ocorrência de pragas na soja. Para o treinamento e teste da rede neural, usamos uma validação cruzada de 5 dobras considerando quatro métricas para avaliar os resultados da classificação: precisão, revocação, medida-F e acurácia; e três métricas para avaliar os resultados da detecção: erro médio absoluto (MAE), raiz do erro médio quadrático (RMSE) e coeficiente de determinação (R²). Os resultados experimentais mostraram que a arquitetura YOLOv3 treinada com tamanho de lote 32 leva a taxas de classificação e detecção mais altas em comparação aos tamanhos de lote 4 e 16. Os resultados indicam que a arquitetura avaliada pode apoiar especialistas e agricultores no monitoramento dos níveis de ação de controle de pragas nos campos de soja. |
Abstract: | In this work, we evaluated the You Only Look Once (YOLOv3) architecture for real-time detection of pests in soybeans. Plantation images were collected on different days, locations and climatic conditions, between the phenological stages R1 to R6, considered to have a high occurrence of pests in soybeans. For the training and testing of the neural network, we used a 5-fold cross-validation considering four metrics to evaluate the classification results: precision, recall, F-score and accuracy; and three metrics to evaluate the detection results: mean absolute error (MAE), root mean square error (RMSE) and coefficient of determination (R²). The experimental results showed that the YOLOv3 architecture trained with batch size 32 leads to higher classification and detection rates compared to batch sizes 4 and 16. The results indicate that the evaluated architecture can support specialists and farmers in monitoring the levels of pest control action in soybean fields. |
Palavras-chave: | Desempenho produtivo Productive performance Agricultura de precisão Precision agriculture Combate às pragas Pest control |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Idioma: | por |
País: | Brasil |
Editor: | Universidade Federal da Grande Dourados |
Sigla da Instituição: | UFGD |
metadata.dc.publisher.department: | Faculdade de Ciências Exatas e Tecnologia |
Citação: | SILVEIRA, Fabio Amaral Godoy da. Análise de desempenho da YOLOv3 para detecção em tempo real de insetos-praga na soja. 2021. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) – Faculdade de Ciências Exatas e Tecnologias, Universidade Federal da Grande Dourados, Dourados, MS, 2021. |
Tipo de Acesso: | Acesso Aberto |
URI: | http://repositorio.ufgd.edu.br/jspui/handle/prefix/4645 |
Data do documento: | 14-Mai-2021 |
Aparece nas coleções: | Engenharia de Computação |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
FabioAmaralGodoydaSilveira.pdf | 22,5 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.