Análise comparativa do redimensionamento do mapa de índice de vegetação e ampliação do conjunto de dados no treinamento de Redes Neurais Artificiais

  • Allan Vitor W. Toledo UFMT
  • Carlos Rafael N. de A. Silva UFMT
  • Carlos Gabriel S. Rodrigues UFMT
  • Raul T. Santos UFMT
  • Claudia A. Martins UFMT

Resumo


Este artigo tem como objetivo fazer uma análise comparativa do impacto do redimensionamento dos mapas de vegetação no consumo de hardware durante o treinamento da Rede Neural e o impacto da ampliação do conjunto de dados na generalização do modelo para previsão da produtividade do algodão. Neste trabalho foram utilizadas imagens com resoluções de 64x64 e 128x128 dos índices NDVI e NDRE. Como resultado, obtivemos uma redução no consumo de hardware utilizando o redimensionamento. Além disso, a técnica de ampliação do conjunto de dados teve um impacto negativo no treinamento da Rede Neural.

Palavras-chave: aprendizado de máquina, agricultura de precisão, algodão

Referências

BENOS, L. et al. Machine learning in agriculture: A comprehensive updated review. Sensors, v. 21, n. 11, p. 3758, 2021.

BUDACH, Lukas et al. The effects of data quality on machine learning performance. arXiv preprint arXiv:2207.14529, 2022.

FAROOQ, A.; HU, J.; JIA, X. Analysis of spectral bands and spatial resolutions for weed classification via deep convolutional neural network. IEEE Geoscience and Remote Sensing Letters, v. 16, n. 2, p. 183-187, 2018.

FLORENCIO, Mariele Parteli. TRANSFORMAÇÕES NO PLANO E GRUPOS DE SIMETRIA. Trabalho de Conclusão de Curso, 2011.

HABIB, M. T. et al. Machine vision based papaya disease recognition. Journal of King Saud University-Computer and Information Sciences, v. 32, n. 3, p. 300-309, 2020.

INAMASU, R. Y.; BERNARDI, A. C. de C. Agricultura de precisão. In: BERNARDI, A. C. de C.; NAIME, J. de M.; RESENDE, A. V. de; BASSOI, L. H.; INAMASU, R. Y. (Ed.). Agricultura de precisão: resultados de um novo olhar. Brasília, DF: Embrapa, 2014. p. 21-33.

JOHNSON, Michael D. et al. Crop yield forecasting on the Canadian Prairies by remotely sensed vegetation indices and machine learning methods. Agricultural and forest meteorology, v. 218, p. 74-84, 2016.

KHOSLA, Cherry; SAINI, Baljit Singh. Enhancing performance of deep learning models with different data augmentation techniques: A survey. In: 2020 International Conference on Intelligent Engineering and Management (ICIEM). IEEE, 2020. p. 79-85.

MKHABELA, M. S. et al. Crop yield forecasting on the Canadian Prairies using MODIS NDVI data. Agricultural and Forest Meteorology, v. 151, n. 3, p. 385-393, 2011.

PATRÍCIO, D. I.; RIEDER, R. Computer vision and artificial intelligence in precision agriculture for grain crops: A systematic review. Computers and electronics in agriculture, v. 153, p. 69-81, 2018.

SAPONARA, Sergio; ELHANASHI, Abdussalam. Impact of image resizing on deep learning detectors for training time and model performance. In: International Conference on Applications in Electronics Pervading Industry, Environment and Society. Cham: Springer International Publishing, 2021. p. 10-17.
Publicado
28/11/2023
TOLEDO, Allan Vitor W.; SILVA, Carlos Rafael N. de A.; RODRIGUES, Carlos Gabriel S.; SANTOS, Raul T.; MARTINS, Claudia A.. Análise comparativa do redimensionamento do mapa de índice de vegetação e ampliação do conjunto de dados no treinamento de Redes Neurais Artificiais. In: ESCOLA REGIONAL DE INFORMÁTICA DE MATO GROSSO (ERI-MT), 12. , 2023, Cuiabá/MT. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2023 . p. 166-175. ISSN 2447-5386. DOI: https://doi.org/10.5753/eri-mt.2023.236618.