Classificação de Ervas Daninhas em Culturas Agrícolas com Comitês de Redes Neurais Convolucionais

  • Vitor Carvalho Universidade do Estado do Amazonas
  • Elloá Guedes Universidade do Estado do Amazonas
  • Marcos Salame Embrapa Amazônia Ocidental

Resumo


Este trabalho teve por objetivo propor e avaliar o uso de comitês de redes neurais convolucionais aplicados à classificação de culturas agrícolas e de ervas daninhas a partir de imagens de mudas. Para tanto, foi considerada uma preparação dos dados de treinamento, a utilização de cinco arquiteturas de redes neurais convolucionais e a elaboração de três comitês com diferentes agregações. Para as redes individuais, uma acurácia de 95,77% foi obtida com o uso da rede MobileNet, e o comitê mediado por uma Máquina de Vetores de Suporte obteve acurácia de 97,08%. Os resultados obtidos colaboram em uma tarefa de Visão Computacional que potencializa o desenvolvimento da agricultura digital, favorecendo um melhor rendimento da produção agrícola.

Palavras-chave: Aplicações de Inteligência Artificial, Deep Learning, Visão Computacional

Referências

Alimboyong, C. R., Hernandez, A. A., and Medina, R. P. (2018). Classication of plant seedling images using deep learning. In IEEE TENCON Region 10 Conference, pages 1839–1844, Coréia do Sul. IEEE.

Alimboyong, C. R., Hernandez, A. A., and Medina, R. P. (2019). An improved deep neural network for classication of plant seedling images. In IEEE 15th International Colloquium on Signal Processing & its Applications, pages 217–222, Malásia. IEEE.

Chollet, F. (2018). Deep Learming with Python. Manning Publications, Nova Iorque, Estados Unidos, 1 edition.

Christoffoleti, P. J. and Passini, T. (1999). Manejo integrado de plantas daninhas na cultura do feijão. FANCELLI, A. L.; DOURADO NETO, D. Feijão irrigado: estratégias básicas de manejo.

da Silva, A. A., Silva, J. F., Ferreira, F. A., Ferreira, L. R., and Silva, R. R. (1999). Controle de plantas daninhas. Abeas, Brasília, DF, 1 edition.

de Oliveira Jr., R. S., Constantin, J., and Inoue, M. H. (2011). Biologia e manejo de plantas daninhas. Omnipax, Brasil, 1 edition.

Dyrmann, M., Christiansen, P., and Midtiby, H. S. (2018). Estimation of plant species by classifying plants and leaves in combination. J Field Robotics., 35:202–212.

Embrapa (2014). Visão 2014–2034 – o futuro do desenvolvimento tecnológico da agricultura brasileira (síntese).

Freeman, I., Roese-Koerner, L., and Kummert, A. (2018). Effnet: An efcient structure for convolutional neural networks. http://arxiv.org/abs/1801.06434.

Giselsson, T. M., Jørgensen, R. N., Jensen, P. K., Dyrmann, M., and Midtiby, H. S. (2017). A public image database for benchmark of plant seedling classication algorithms.

Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efcient convolutional neural networks for mobile vision applications. http://arxiv.org/abs/1704.04861.

Kamilaris, A. and Prenafeta-Boldú, F. X. (2018). Deep learning in agriculture: A survey. Computers and Electronics in Agriculture, 147:70–90.

Khan, S., Rahmani, H., Shah, S. A. A., and Bennamoun, M. (2018). A Guide to Convolutional Neural Networks for Computer Vision. Morgan & Claypool, Austrália, 1 edition.

Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classication with deep convolutional neural networks. In Proceedings of the 25th International Conference on Neural Information Processing Systems, pages 1097–1105, Estados Unidos. Association for Computing Machinery.

LeCun, Y., , Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.

MAPA (2019). Ministério da agricultura, pecuária e abastecimento, panorama do agronegócio brasileiro. Disponível em http://www.agricultura.gov.br. Acesso em 26 de jun. de 2019.

Melhorança, A. L. and Karam, D. (2019). Tratos culturais. Disponível em http://bit.ly/2xaSIk7. Acesso em 25 de jun. de 2019.

IEEE Circuits and Polikar, R. (2006). Ensemble based systems in decision making. Systems Magazine, 6(3):21–45.

Polikar, R. (2012). Ensemble Learning, pages 1–34. Springer Science+Business Media, Estados Unidos. Capítulo do livro: “Ensemble Machine Learning: Methods and Applications”, (C. Zhang & Y. Ma, eds.).

Rokach, L. (2010). Ensemble-based classiers. Artif Intell Rev, 33:1–39.

Simonyan, K. and Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. pages 1–14, Estados Unidos.

Tang, S., Zhu, Q., Zhou, X., Liu, S., and Wu, M. (2002). A conception of digital agriIn IEEE International Geoscience and Remote Sensing Symposium, pages culture. 3026–3028, Canada. IEEE.

Vibhute, A. and Bodhe, S. K. (2012). Applications of image processing in agriculture: A survey. International Journal of Computer Applications, 52(2):34–40.

Voll, E., Adegas, F. S., Gazziero, D. L. P., Brighenti, A. M., and de Oliveira, M. C. N. (2003). Amostragem do banco de sementes da ora emergente de plantas daninhas. Pesquisa Agropecuária Brasileira, 38(2):211–218.

Zhang, C. and Ma, Y. (2012). Ensemble Machine Learning: Methods and Applications. Springer Science+Business Media, Estados Unidos.

Zhang, X., Zhou, X., Lin, M., and Sun, J. (2017). Shufenet: An extremely efcient convolutional neural network for mobile devices. http://arxiv.org/abs/1707. 01083.
Publicado
15/10/2019
Como Citar

Selecione um Formato
CARVALHO, Vitor; GUEDES, Elloá; SALAME, Marcos. Classificação de Ervas Daninhas em Culturas Agrícolas com Comitês de Redes Neurais Convolucionais. In: ENCONTRO NACIONAL DE INTELIGÊNCIA ARTIFICIAL E COMPUTACIONAL (ENIAC), 16. , 2019, Salvador. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2019 . p. 60-71. DOI: https://doi.org/10.5753/eniac.2019.9272.